隨著經(jīng)濟的不斷發(fā)展,人們生活水平的不斷提高,汽車作為日常生活和生產(chǎn)中的重要交通工具得到了廣泛的普及,我國的汽車保有量不斷提升。為了應(yīng)對和緩解因汽車數(shù)量激增而帶來的一些列交通問題,包含先進輔助駕駛系統(tǒng)、自適應(yīng)巡航控制系統(tǒng)等一些列先進應(yīng)用系統(tǒng)的智能交通系統(tǒng)應(yīng)運而生。交通標志檢測與識別作為上述系統(tǒng)的重要組成部分,是計算機視覺、圖像處理、機器學習在智能交通領(lǐng)域的重要研究方向之一。近年來,由于深度學習在計算機視覺領(lǐng)域的火爆,基于深度學習的交通標志檢測和識別研究也越來越受關(guān)注。在現(xiàn)實的行車場景下,交通環(huán)境的復雜性和不確定性導致交通標志的實時檢測是一個極具挑戰(zhàn)性的任務(wù),因此一個優(yōu)秀的交通標志檢測系統(tǒng)既要有較高的檢測精度,又要有較快的檢測速度。本文以基于深度學習的通用目標檢測框架針對交通標志牌檢測與識別問題進行研究,將國內(nèi)城鎮(zhèn)、郊區(qū)、高速等道路場景常見的危險標志、禁止標志和強制標志三大交通標志類型作為研究對象,使用Tensorflow深度學習框架進行算法實現(xiàn)。本文針對交通標志小目標的檢測,通過分析SSD對小目標檢測效果較差的原因,提出改進模型使用特征融合的方法生成新的檢測特征圖,并去除最后的兩個檢測特... 

【文章來源】：山東大學山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：97 頁

【學位級別】：碩士

【部分圖文】：

圖２－１?Ｒ－ＣＮＮ系列算法流程概括圖??如上圖所示，該類算法的執(zhí)行過程是通過某一種候選區(qū)域提取機制選擇候??

第２章基于深度學習的交通標志檢測算法研究??離較近或太小的情況下效果一般，需要在檢測精度和檢測速度上進行權(quán)衡。單??階段目標檢測算法思路流程概括如下圖２－２所示。??■?■■■■?■■■■■??■?■■■■?■■■■■??■?■■■■?■■■■■??■?■ＩＩＩ?■■■■■??Ｉ?Ｃｌａｓｓｅｓ??＿?■?＇。土??觀圖層??圖２－２單階段目標檢測算法流概括圖??圖２＿２中可以看出在單階段目標檢測算法執(zhí)行過程中將圖像輸入進特征提??取網(wǎng)絡(luò)后直接在特征圖層上進行回歸處理得到檢測目標的位置和種類信息，相??較于兩階段目標檢測算法需要提取感興趣候選區(qū)域后再進行分類回歸，直接在??一個步驟中完成檢測，大大提高了模型的檢測速度。但是，如圖中所示目標物??特征提取越充分的圖層位置越靠后，而靠后特征圖層的小目標卻不顯著，導致??小目標的檢測效果并不理想。??２．１．３?ＣＣＴＳＤＢ數(shù)據(jù)集介紹??以前大多數(shù)交通標志檢測算法的研究是基于德國交通標志檢測基準??（ＧＴＳＤＢ）［３９］。ＧＴＳＤＢ將交通標志牌分為三類：強制標志、危險標志和禁止標??志，其中包含了不同照明條件下各類道路的自然交通場景。數(shù)據(jù)集由９００張大??小為１３６０ｘ８００像素的圖像組成。實驗分為６００張圖像（８４６個標志）的訓練集和??３００張圖像（３６０個標志）的測試集。??為了對中國交通標志檢測進行研宄，選取了?ＣＣＴＳＤＢ數(shù)據(jù)集用于本章節(jié)模??型的訓練一一ＣＣＴＳＤＢ數(shù)據(jù)集是由長沙理工大學的張建明老師團隊制作并開??源［４０］。與ＧＴＳＤＢ相似，ＣＣＴＳＤＢ同樣將中國交通標志分為三類，共有１５７２３??張圖片，包括不同類型的道路（公路、街道、農(nóng)村和城

山東大學碩士學位論文??圖片數(shù)量（１０２４ｘ７６８、１２８〇ｘ７２０、９１２ｘ６８４、５１３ｘ９９９、６４１ｘ９３６、４５７ｘ８８９、８５２ｘ５３８、??１０２２ｘ５０４、７５９ｘ４９７）占３３％。交通標志種類牌示例如圖２－３所示。??．．．??強制標志??危險標志??？？＠？？??禁止標韋??圖２－３交通標志種類牌示例??由于開源ＣＣＴＳＤＢ數(shù)據(jù)集并沒有劃分訓練集和測試集，本章節(jié)將１２５１６張圖??片作為訓練數(shù)據(jù)集，１０００張均勻抽取的圖片作為測試集。訓練數(shù)據(jù)集和測試數(shù)據(jù)??集交通標志的種類和數(shù)量劃分如表２－１所示。??表２－１數(shù)據(jù)集劃分情況??訓練集?測試集??標志種類????圖片數(shù)量?標志數(shù)量?圖片數(shù)量?標志數(shù)量??危險標志?３１３８?３５６９?２３９?２８３??禁止標志?６５６９?９５０３?５３４?７３４??強制標志?４６４４?６０６４?３４５?４５４??總計?１２５１６?１９１３６?１０００?１４７１??在自然道路場景中，交通標志的檢測往往是對小目標的檢測。在目標檢測??算法中，定義小目標有兩種方式，一種是相對大小，例如圖像中檢測目標像素??的長度和寬度小于原始圖像大小的０．１，可以認為是小目標；另一個是絕對大小??的定義，小于３２＊３２像素的對象可以認為是小目標。在本章所用ＣＣＴＳＤＢ數(shù)據(jù)??集中１３５１６張圖像的ｇｒｏｕｎｄ?ｔｒｕｔｈ的相對大小如圖２－４所示。??１０??

【參考文獻】：
期刊論文
[1]基于國家車輛事故深度調(diào)查體系的道路交通事故駕駛員人因分析[J]. 高紅麗,鄧昌俊,王文迪,范雙雙.  科學技術(shù)與工程. 2019(19)
[2]復雜光照條件下交通標志牌檢測[J]. 李文舉,陳奇,董天禎,陸云帆,韋麗華.  中國科技論文. 2018(02)
[3]基于深度學習的目標檢測算法綜述[J]. 周曉彥,王珂,李凌燕.  電子測量技術(shù). 2017(11)
[4]基于顏色和形狀的道路交通標志檢測[J]. 譚兵,高歌,陳心睿.  現(xiàn)代商貿(mào)工業(yè). 2017(13)
[5]基于顏色空間和模板匹配的交通標志檢測方法[J]. 郝博聞,梁宇峰,李文強,倪鈺婷,溫斯傲,劉展寧.  智能計算機與應(yīng)用. 2016(04)
[6]基于視覺認知的禁令交通標志檢測[J]. 胡曉光,程承旗,李德仁.  北京大學學報(自然科學版). 2015(06)
[7]基于高斯顏色模型和SVM的交通標志檢測[J]. 常發(fā)亮,黃翠,劉成云,趙永國,馬傳峰.  儀器儀表學報. 2014(01)



本文編號：3573149