隨著汽車的日益普及,城市道路中的機動車數(shù)量日益增長,但隨之而來的大量交通事故卻威脅著人們的生命財產安全。智能交通系統(tǒng)是改善交通系統(tǒng)的重要手段,而目標檢測技術是智能交通系統(tǒng)中的重要組成部分。目標檢測技術分為基于圖像處理的方法和基于深度學習的方法。由于實際的交通環(huán)境復雜多變,傳統(tǒng)的圖像處理方法已經無法滿足需求,而隨著深度學習的發(fā)展與計算機硬件設備性能的進步,基于深度學習的方法已經可以在某些場景中兼顧準確率與實時性,實現(xiàn)實時準確的目標檢測。然而,基于深度學習的算法依然存在著不足,例如依賴大規(guī)模數(shù)據(jù)集、小目標檢測效果差、某些模型復雜度高難以實時應用等�；诖�,本文在總結前人深度學習及目標檢測研究成果的基礎上,開展了智能交通中的目標檢測研究。在交通標志檢測的問題上,針對目前交通標志識別準確度低,漏檢率高,難以兼顧準確率與實時性的問題,本文以實時性佳的SSD網絡為基礎,提出基于多層特征融合的交通標志檢測算法。本文首先對國際公認的美國LISA交通標志數(shù)據(jù)集和德國GTSDB數(shù)據(jù)集進行統(tǒng)計分析,根據(jù)交通標志牌的目標尺寸特點改進網絡中default box的參數(shù)設置,一定程度上解決default box不... 

【文章來源】：華南理工大學廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

單層感知機圖2-1中輸入x分別乘各自的權重并將結果求和，隨后會通過一個激活函數(shù)評估，

圖 2-2 多層感知機網絡對應的計算是如式(2-2)所示：(2) (1) (1) (1) (1)1 11 1 12 2 13 3 1(2) (1) (1) (1) (1)2 21 1 22 2 23 3 2(2) (1) (1) (1) (1)3 31 1 32 2 33 3 3(3) (2) (2) (2) (2) (2) (2) (2), 1 11 1 12 2 13 3 1( )( )( )( ) ( )W ba f W x W x W x ba f W x W x W x ba f W x W x W x bh x a f W a W a W a b 展到含有多個隱含層的深度神經網絡。的深度學習模型有層疊自動去噪編碼機[40]、深度置信網絡[41]經網絡[42]等，其中，卷積神經網絡適用于處理具有類似網格結據(jù)和圖像數(shù)據(jù)，在很多應用領域都有優(yōu)異的表現(xiàn)，尤其是計網絡基礎

神經網絡結構 LeNet-5 并成功將其用于手寫數(shù)字的識別問題。LeNet-5 沿用了 LeNe隨機梯度下降的學習策略并加入了池化層對輸入特征進行降維。LeNet-5 及其后基于提出的各種變體定義了后來的卷積神經網絡的基本結構，其網絡結構中交替出現(xiàn)的卷層-池化層使得卷積神經網絡具有平移不變性。LeNet-5 在手寫數(shù)字識別中取得的成功得卷積神經網絡的應用備受關注。2003 年，微軟基于卷積神經網絡開發(fā)了光學字符識(OpticalCharacterRecognition,OCR)系統(tǒng)[47]，并將其加入 office2003。卷積神經網絡也漸應用到其他圖像識別領域，包括人臉識別[48]、手勢識別[49]等。卷積神經網絡與其他種類神經網絡的區(qū)別在于，卷積神經網絡由多個卷積層和池層疊加組合，用于對輸入數(shù)據(jù)的特征提取。在卷積神經網絡的卷積運算操作中，一個經元與下一層的部分神經元相連接，該過程為特征提取的過程；池化層緊接在卷積層后，起到降低特征維度以及適應圖像平移和微小形變的作用。相對全連接層，卷積和化也起到了減少模型參數(shù)，簡化模型復雜度的作用。結構如圖 2-3 所示：

【參考文獻】：
期刊論文
[1]智能交通系統(tǒng)綜述[J]. 趙娜,袁家斌,徐晗.  計算機科學. 2014(11)
[2]交通事故致因中的人為因素分析[J]. 孔令錚.  中國安全科學學報. 2013(01)
[3]世界智能車輛研究概述[J]. 王榮本,李兵,施樹明,李斌.  公路交通科技. 2001(05)

博士論文
[1]車牌識別技術的研究和實現(xiàn)[D]. 黃山.四川大學 2005



本文編號：3466465