本文關(guān)鍵詞：面向智能駕駛的交通標(biāo)志檢測和分類算法研究

  更多相關(guān)文章： 交通標(biāo)志識別 目標(biāo)檢測 圖像分類 選擇性搜索 卷積神經(jīng)網(wǎng)絡(luò)

【摘要】：交通標(biāo)志識別系統(tǒng)作為智能駕駛系統(tǒng)的重要組成部分,在先進(jìn)駕駛輔助、交通標(biāo)志自動(dòng)維護(hù)、無人車自動(dòng)駕駛等多方面都具有重要作用,是智能駕駛系統(tǒng)研究的關(guān)鍵和基礎(chǔ)。然而,真實(shí)的道路交通環(huán)境復(fù)雜多變,光照條件、天氣狀況、局部遮擋、多個(gè)標(biāo)志聚集、視角傾斜、背景色相似干擾等問題使交通標(biāo)志識別系統(tǒng)的研究面臨許多困難,實(shí)時(shí)性的要求也使得實(shí)際的應(yīng)用遠(yuǎn)未達(dá)到成熟地步。本文在總結(jié)交通標(biāo)志識別技術(shù)研究現(xiàn)狀基礎(chǔ)上,分析了交通標(biāo)志識別技術(shù)研究的難點(diǎn)以及現(xiàn)有方法存在的問題,對交通標(biāo)志檢測算法和交通標(biāo)志分類算法進(jìn)行了創(chuàng)新研究,主要工作包括:第一,針對現(xiàn)有交通標(biāo)志檢測算法對光照和形變敏感、分割閾值難以選擇而導(dǎo)致檢測準(zhǔn)確率不高、魯棒性較差,或難以滿足實(shí)時(shí)的要求,提出了一種基于選擇性搜索的交通標(biāo)志檢測方法。該方法采用改進(jìn)的分層分組算法獲取交通標(biāo)志目標(biāo)假設(shè)區(qū)域集合,然后直接對該假設(shè)區(qū)域集合進(jìn)行方向梯度直方圖(Histogram of Oriented Gradients,HOG)特征提取和訓(xùn)練,不再對圖片進(jìn)行窮舉搜索。其中,在改進(jìn)的分層分組算法中使用了權(quán)值組合的相似度策略對分割區(qū)域進(jìn)行合并,以便得到更多更好的交通標(biāo)志目標(biāo)假設(shè)區(qū)域集合。實(shí)驗(yàn)結(jié)果表明,該方法具有魯棒性強(qiáng)、檢測準(zhǔn)確率高、實(shí)時(shí)性更好等優(yōu)點(diǎn),有一定的現(xiàn)實(shí)應(yīng)用潛力。第二,針對現(xiàn)有基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志分類算法網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜,網(wǎng)絡(luò)訓(xùn)練和標(biāo)志識別的過程耗時(shí)長,難以滿足實(shí)時(shí)應(yīng)用要求以及對多尺度交通標(biāo)志的識別魯棒性較差等問題,提出了一種快速多尺度卷積神經(jīng)網(wǎng)絡(luò)交通標(biāo)志分類算法。該算法采用更簡單的網(wǎng)絡(luò)結(jié)構(gòu),自動(dòng)學(xué)習(xí)交通標(biāo)志的多尺度特征,并在訓(xùn)練中采用矯正線性單元(Rectified Linear Units,ReLu)減少耗時(shí),使用Dropout策略防止過擬合。實(shí)驗(yàn)結(jié)果表明,該方法能夠分類出各種尺度大小的交通標(biāo)志,在保證高分類準(zhǔn)確率的同時(shí),實(shí)時(shí)性也得到了較大的提升。第三,在上述研究的基礎(chǔ)上,設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)交通標(biāo)志識別原型系統(tǒng)。該原型系統(tǒng)對輸入的交通標(biāo)志能進(jìn)行實(shí)時(shí)的檢測和識別,有一定的應(yīng)用價(jià)值。
【關(guān)鍵詞】：交通標(biāo)志識別 目標(biāo)檢測 圖像分類 選擇性搜索 卷積神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：U495;TP391.41
【目錄】：

• 摘要3-4
• Abstract4-9
• 第1章 引言9-17
• 1.1 研究背景和意義9
• 1.2 國內(nèi)外研究現(xiàn)狀9-15
• 1.2.1 交通標(biāo)志識別系統(tǒng)研究9-11
• 1.2.2 交通標(biāo)志檢測技術(shù)研究11-12
• 1.2.3 交通標(biāo)志分類技術(shù)研究12-14
• 1.2.4 存在問題及難點(diǎn)分析14-15
• 1.3 論文主要工作15-16
• 1.4 論文組織結(jié)構(gòu)16-17
• 第2章 交通標(biāo)志識別技術(shù)研究基礎(chǔ)17-28
• 2.1 交通標(biāo)志基礎(chǔ)知識17-21
• 2.1.1 交通標(biāo)志圖片數(shù)據(jù)集17-18
• 2.1.2 交通標(biāo)志視頻數(shù)據(jù)集18-19
• 2.1.3 交通標(biāo)志特點(diǎn)分析19-21
• 2.2 交通標(biāo)志識別關(guān)鍵技術(shù)21-27
• 2.2.1 交通標(biāo)志檢測算法21-25
• 2.2.2 交通標(biāo)志分類算法25-27
• 2.3 交通標(biāo)志識別系統(tǒng)基本框架27
• 2.4 本章小結(jié)27-28
• 第3章 基于選擇性搜索的交通標(biāo)志檢測算法研究28-37
• 3.1 問題描述和研究思路28-29
• 3.2 改進(jìn)的分層分組算法29-30
• 3.2.1 算法改進(jìn)思路29
• 3.2.2 算法描述29-30
• 3.3 算法實(shí)驗(yàn)和結(jié)果分析30-36
• 3.3.1 實(shí)驗(yàn)方案30
• 3.3.2 參數(shù)選擇30-31
• 3.3.3 評價(jià)指標(biāo)31-32
• 3.3.4 實(shí)驗(yàn)結(jié)果及分析32-36
• 3.4 本章小結(jié)36-37
• 第4章 快速多尺度卷積神經(jīng)網(wǎng)絡(luò)交通標(biāo)志分類算法研究37-49
• 4.1 問題描述和研究思路37-39
• 4.1.1 問題描述37
• 4.1.2 研究思路37-39
• 4.2 快速多尺度卷積神經(jīng)網(wǎng)絡(luò)研究39-41
• 4.2.1 快速多尺度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)39-41
• 4.2.2 快速多尺度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練策略41
• 4.3 算法實(shí)驗(yàn)和結(jié)果分析41-47
• 4.3.1 實(shí)驗(yàn)方案41-42
• 4.3.2 參數(shù)選擇和評價(jià)指標(biāo)42-43
• 4.3.3 實(shí)驗(yàn)結(jié)果及分析43-47
• 4.4 本章小結(jié)47-49
• 第5章 交通標(biāo)志識別原型系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)49-59
• 5.1 系統(tǒng)需求分析49
• 5.2 系統(tǒng)總體設(shè)計(jì)49-51
• 5.2.1 架構(gòu)設(shè)計(jì)49-50
• 5.2.2 功能模塊設(shè)計(jì)50-51
• 5.3 系統(tǒng)詳細(xì)設(shè)計(jì)51-53
• 5.3.1 界面設(shè)計(jì)51
• 5.3.2 功能設(shè)計(jì)51-53
• 5.4 系統(tǒng)實(shí)現(xiàn)和功能測試53-58
• 5.4.1 界面實(shí)現(xiàn)53-54
• 5.4.2 主要功能測試54-58
• 5.5 本章小結(jié)58-59
• 第6章 總結(jié)及未來工作59-61
• 6.1 論文工作總結(jié)59-60
• 6.2 未來的工作60-61
• 參考文獻(xiàn)61-65
• 致謝65-66
• 攻讀碩士學(xué)位期間從事的科研工作及取得的成果66

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前4條

1 蔡自興;谷明琴;;Traffic sign recognition algorithm based on shape signature and dual-tree complex wavelet transform[J];Journal of Central South University;2013年02期

2 孫光民;王晶;于光宇;李罡;許磊;;自然背景中交通標(biāo)志的檢測與識別[J];北京工業(yè)大學(xué)學(xué)報(bào);2010年10期

3 王楠;劉威;陳雪;袁淮;劉積仁;;基于多線索混合的交通標(biāo)志檢測與跟蹤[J];控制與決策;2010年08期

4 王坤明,許忠仁;基于不變矩和神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識別方法研究[J];計(jì)算機(jī)應(yīng)用研究;2004年03期

，

本文編號：1047769