交通標(biāo)志檢測(cè)是智能車有關(guān)的關(guān)鍵技術(shù)之一,準(zhǔn)確、實(shí)時(shí)地獲取交通標(biāo)志信息有助于減少或避免交通事故發(fā)生。常規(guī)的交通標(biāo)志檢測(cè)方法檢測(cè)效率難以進(jìn)一步顯著提升,而深度學(xué)習(xí)方法往往具有強(qiáng)大的特征表征能力,在交通標(biāo)志檢測(cè)領(lǐng)域具有廣泛的應(yīng)用潛力。開(kāi)展基于深度學(xué)習(xí)的交通標(biāo)志檢測(cè)方法研究具有重大理論和現(xiàn)實(shí)意義。針對(duì)交通標(biāo)志目標(biāo)檢測(cè)問(wèn)題,本文設(shè)計(jì)并實(shí)現(xiàn)了一種基于窗口大小聚類和多尺度特征融合的SSD（Single Shot MultiBox Detector）深度神經(jīng)網(wǎng)絡(luò)方法。首先,開(kāi)展了交通標(biāo)志檢測(cè)基準(zhǔn)數(shù)據(jù)集的調(diào)查研究,并對(duì)選定的數(shù)據(jù)集進(jìn)行增廣預(yù)處理,改善樣本多樣性。然后,提出了一種改進(jìn)的SSD模型,該模型將原始SSD模型中的VGG16基礎(chǔ)網(wǎng)絡(luò)替換為更深的ResNet50殘差網(wǎng)絡(luò),以改善特征表征能力;采用K-均值聚類算法取代盲目搜索機(jī)制,確定SSD中默認(rèn)窗口的大小;引入多尺度特征融合機(jī)制,綜合淺層的高分辨率特征和深層的語(yǔ)義特征共同用于決策。進(jìn)而,系統(tǒng)地開(kāi)展Faster R-CNN、FPN、原始SSD模型和本文方法檢測(cè)性能比較實(shí)驗(yàn)研究。針對(duì)德國(guó)交通標(biāo)志檢測(cè)數(shù)據(jù)集,本文方法獲得97.96%mAP（mean Ave... 

【文章來(lái)源】：長(zhǎng)安大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 交通標(biāo)志檢測(cè)的研究難點(diǎn)
    1.4 本文主要內(nèi)容和章節(jié)安排
第二章 基準(zhǔn)數(shù)據(jù)集與深度學(xué)習(xí)相關(guān)技術(shù)
    2.1 實(shí)驗(yàn)數(shù)據(jù)
        2.1.1 基準(zhǔn)數(shù)據(jù)集
        2.1.2 數(shù)據(jù)集分析
        2.1.3 數(shù)據(jù)增廣
    2.2 深度學(xué)習(xí)相關(guān)技術(shù)
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.2 權(quán)重初始化
        2.2.3 激活函數(shù)
        2.2.4 優(yōu)化器
    2.3 殘差網(wǎng)絡(luò)
    2.4 多尺度特征融合
    2.5 K-均值聚類算法
    2.6 非極大值抑制
    2.7 本章小結(jié)
第三章 基于窗口大小聚類和多尺度特征融合的SSD檢測(cè)方法
    3.1 原始SSD檢測(cè)方法
        3.1.1 原始SSD模型
        3.1.2 存在的問(wèn)題
    3.2 本文檢測(cè)方法
        3.2.1 K-均值聚類確定默認(rèn)窗口大小
        3.2.2 改進(jìn)的SSD模型（本文模型）
    3.3 檢測(cè)算法流程
    3.4 本章小結(jié)
第四章 實(shí)驗(yàn)與分析
    4.1 實(shí)驗(yàn)環(huán)境
    4.2 評(píng)價(jià)標(biāo)準(zhǔn)
        4.2.1 檢測(cè)準(zhǔn)確率
        4.2.2 速度
    4.3 訓(xùn)練樣本擴(kuò)充
    4.4 預(yù)訓(xùn)練與微調(diào)
    4.5 GTSDB數(shù)據(jù)集檢測(cè)
        4.5.1 基礎(chǔ)網(wǎng)絡(luò)比選實(shí)驗(yàn)
        4.5.2 默認(rèn)框生成方式比選實(shí)驗(yàn)
        4.5.3 多尺度特征融合比選實(shí)驗(yàn)
    4.6 CTSD數(shù)據(jù)集檢測(cè)
    4.7 檢測(cè)結(jié)果分析
    4.8 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀學(xué)位期間取得的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練中梯度不穩(wěn)定現(xiàn)象研究綜述[J]. 陳建廷,向陽(yáng).  軟件學(xué)報(bào). 2018(07)
[2]優(yōu)化初始聚類中心及確定K值的K-means算法[J]. 蔣麗,薛善良.  計(jì)算機(jī)與數(shù)字工程. 2018(01)
[3]基于隨機(jī)森林的人臉關(guān)鍵點(diǎn)精確定位方法[J]. 王麗婷,丁曉青,方馳.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2009(04)

博士論文
[1]駕駛員對(duì)交通標(biāo)志的視覺(jué)信息認(rèn)知過(guò)程實(shí)驗(yàn)研究[D]. 關(guān)偉.北京工業(yè)大學(xué) 2014

碩士論文
[1]基于機(jī)器學(xué)習(xí)的交通標(biāo)志檢測(cè)與分類方法研究[D]. 曹繼承.電子科技大學(xué) 2018
[2]基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別方法[D]. 田正鑫.長(zhǎng)安大學(xué) 2017
[3]基于深度學(xué)習(xí)的場(chǎng)景分類[D]. 張建國(guó).遼寧工業(yè)大學(xué) 2016
[4]智能行車系統(tǒng)防搖控制[D]. 嚴(yán)晶.上海交通大學(xué) 2008



本文編號(hào)：3151144