基于卷積神經(jīng)網(wǎng)絡的交通標志檢測識別算法設計與FPGA驗證
發(fā)布時間:2021-06-09 12:36
隨著經(jīng)濟社會的發(fā)展,人民的生活水平有了極大提高,汽車已經(jīng)進入了千家萬戶,由此帶來的交通安全和交通堵塞問題日益嚴重。車載交通標志檢測識別系統(tǒng)作為智能交通系統(tǒng)(Intelligent Transportation System,ITS)的一部分已經(jīng)得到了智慧交通研究者重視,相較于傳統(tǒng)檢測識別方法,基于卷積神經(jīng)網(wǎng)絡的交通標志檢測識別算法在可擴展性和魯棒性方面具有很大的優(yōu)勢,但其在準確性、計算量和存儲空間等方面仍具有極大的優(yōu)化空間。本文先簡單介紹了交通標志檢測識別領(lǐng)域幾種典型的算法,對比分析了各自的優(yōu)缺點。選用了檢測速度高且適合硬件加速的YOLOv2-tiny卷積神經(jīng)網(wǎng)絡作為優(yōu)化的基礎,針對其對小目標檢測效果差的缺點,設計了一種多尺度特征融合的卷積神經(jīng)網(wǎng)絡交通標志檢測識別算法。為了驗證算法效果,再以清華-騰訊公開交通標志數(shù)據(jù)集為對象,對設計的兩種特征不同特征尺度的神經(jīng)網(wǎng)絡加上YOLOv2-tiny共三種網(wǎng)絡進行訓練和分析。實驗結(jié)果表明,特征尺度多的網(wǎng)絡對小目標的檢測識別效果有了顯著提升。最后設計了算法FPGA驗證系統(tǒng),通過利用卷積神經(jīng)節(jié)點內(nèi)并行、卷積神經(jīng)節(jié)點間并行和特征參數(shù)重用的方式,實現(xiàn)了一...
【文章來源】:東南大學江蘇省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】:71 頁
【學位級別】:碩士
【部分圖文】:
Tsinghu-Tencent100K數(shù)據(jù)集交通標志圖
第三章基于CNN的交通標志檢測識別算法設計27片的ID號、文件路徑和各種標注信息。由于原始數(shù)據(jù)集中包含大量樣本數(shù)較少的類別,為了便于后續(xù)算法實現(xiàn),本文對數(shù)據(jù)集類別進行了篩選保留的數(shù)據(jù)集樣本數(shù)量如圖3.8所示,其中io、po和wo三類交通標志為混合交通標志,不利于檢測識別效果評估將其刪除,因此本論文僅選用剩余的43類作為樣本用于后續(xù)網(wǎng)絡訓練。圖3.8原始數(shù)據(jù)集樣本分布圖由于數(shù)據(jù)集中各個樣本分布不均,本論文在訓練前對數(shù)據(jù)集中的訓練集采用了文獻[27]中的數(shù)據(jù)增強技術(shù),通過對樣本數(shù)據(jù)隨機旋轉(zhuǎn)、放大和裁剪等處理擴充訓練數(shù)據(jù),最后將擴充數(shù)據(jù)集制作成darknet學習框架模型訓練所需的VOC2012數(shù)據(jù)集格式。數(shù)據(jù)集部分樣本如圖3.9所示。(a)訓練數(shù)據(jù)集部分圖片示例(b)測試數(shù)據(jù)集部分圖片示例圖3.9數(shù)據(jù)集部分樣本圖網(wǎng)絡訓練本論文網(wǎng)絡訓練環(huán)境為DELL工作站,其配備了18塊E5-2697v4@2.30GHzCPU、4塊NVIDIA
納瓚ê屯?緗峁溝牡髡?赿arknet學習框架中的cfg文件中設置。訓練過程中要到的shell命令如表3.3所示,shell指令1、2和3分別用于訓練、驗證和網(wǎng)絡效果評估,其中<voc.data文件路徑>、<cfg文件路徑>和<weights文件路徑>用于指定訓練、測試或評估所需參數(shù)文件的路徑。表3.3網(wǎng)絡模型訓練shell指令>>指令1./darknetdetectortrain<voc.data文件路徑><cfg文件路徑>>>指令2./darknetdetectortest<voc.data文件路徑><cfg文件路徑><weights文件路徑>>>指令3./darknetdetectorvaild<voc.data文件路徑><cfg文件路徑><weights文件路徑>圖3.10網(wǎng)絡訓練過程輸出圖網(wǎng)絡訓練輸出如圖3.10所示,一個批次中輸出8輪數(shù)據(jù),每輪輸出128/8=16個樣本的訓練數(shù)據(jù),AvgIOU為預測框和標簽文件中對應實際框的交并集比,用于評估預測框檢測的準確性;class為標注物體分類的置信度,期望輸出為1;obj/noobj分別為包含物體和不包含物體的概率;AvgRecall在recall/count中定義,其為當前模型在所有subdivision圖片中檢測出正樣本與實際的正樣本的比值;1962為當前的迭代次數(shù);avg和rate分別為當前的總損失和學習率大校
【參考文獻】:
期刊論文
[1]一種基于FPGA的卷積神經(jīng)網(wǎng)絡加速器的設計與實現(xiàn)[J]. 張榜,來金梅. 復旦學報(自然科學版). 2018(02)
[2]道路交通運輸安全發(fā)展報告(2017)[J]. Matthias Gsul,胡予紅,周旋,寧丙文,米建英,劉佳,王光遠,王靜,董晨,張露丹. 中國應急管理. 2018(02)
[3]交通標志檢測研究綜述[J]. 溫斯傲,李志民,郝博聞,倪鈺婷,鐘玲. 智能計算機與應用. 2016(03)
[4]基于Hough變換圓檢測的人眼定位方法改進[J]. 劉念,蘇杭,郭純宏,周靜. 計算機工程與設計. 2011(04)
[5]一種多通道融合的交通標志檢測方法[J]. 沙莎,肖學鋼. 計算機工程. 2009(06)
[6]三角形交通標志的智能檢測方法[J]. 朱雙東,張懿,陸曉峰. 中國圖象圖形學報. 2006(08)
[7]基于RGB視覺模型的交通標志分割[J]. 黃志勇,孫光民,李芳. 微電子學與計算機. 2004(10)
[8]形態(tài)骨架匹配算法及其在交通標志識別中的應用[J]. 蔣剛毅,鄭義. 電路與系統(tǒng)學報. 1996(03)
博士論文
[1]基于機器視覺的先進輔助駕駛系統(tǒng)關(guān)鍵技術(shù)研究[D]. 范延軍.東南大學 2016
[2]交通標志檢測與分類算法研究[D]. 王剛毅.哈爾濱工業(yè)大學 2013
[3]基于FPGA的卷積神經(jīng)網(wǎng)絡并行結(jié)構(gòu)研究[D]. 陸志堅.哈爾濱工程大學 2013
碩士論文
[1]基于特征融合與稀疏編碼的交通標志識別算法研究[D]. 江鈞.北京交通大學 2016
[2]基于不變矩和小波神經(jīng)網(wǎng)絡的交通標志識別研究[D]. 呂瑾文.武漢理工大學 2009
本文編號:3220589
【文章來源】:東南大學江蘇省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】:71 頁
【學位級別】:碩士
【部分圖文】:
Tsinghu-Tencent100K數(shù)據(jù)集交通標志圖
第三章基于CNN的交通標志檢測識別算法設計27片的ID號、文件路徑和各種標注信息。由于原始數(shù)據(jù)集中包含大量樣本數(shù)較少的類別,為了便于后續(xù)算法實現(xiàn),本文對數(shù)據(jù)集類別進行了篩選保留的數(shù)據(jù)集樣本數(shù)量如圖3.8所示,其中io、po和wo三類交通標志為混合交通標志,不利于檢測識別效果評估將其刪除,因此本論文僅選用剩余的43類作為樣本用于后續(xù)網(wǎng)絡訓練。圖3.8原始數(shù)據(jù)集樣本分布圖由于數(shù)據(jù)集中各個樣本分布不均,本論文在訓練前對數(shù)據(jù)集中的訓練集采用了文獻[27]中的數(shù)據(jù)增強技術(shù),通過對樣本數(shù)據(jù)隨機旋轉(zhuǎn)、放大和裁剪等處理擴充訓練數(shù)據(jù),最后將擴充數(shù)據(jù)集制作成darknet學習框架模型訓練所需的VOC2012數(shù)據(jù)集格式。數(shù)據(jù)集部分樣本如圖3.9所示。(a)訓練數(shù)據(jù)集部分圖片示例(b)測試數(shù)據(jù)集部分圖片示例圖3.9數(shù)據(jù)集部分樣本圖網(wǎng)絡訓練本論文網(wǎng)絡訓練環(huán)境為DELL工作站,其配備了18塊E5-2697v4@2.30GHzCPU、4塊NVIDIA
納瓚ê屯?緗峁溝牡髡?赿arknet學習框架中的cfg文件中設置。訓練過程中要到的shell命令如表3.3所示,shell指令1、2和3分別用于訓練、驗證和網(wǎng)絡效果評估,其中<voc.data文件路徑>、<cfg文件路徑>和<weights文件路徑>用于指定訓練、測試或評估所需參數(shù)文件的路徑。表3.3網(wǎng)絡模型訓練shell指令>>指令1./darknetdetectortrain<voc.data文件路徑><cfg文件路徑>>>指令2./darknetdetectortest<voc.data文件路徑><cfg文件路徑><weights文件路徑>>>指令3./darknetdetectorvaild<voc.data文件路徑><cfg文件路徑><weights文件路徑>圖3.10網(wǎng)絡訓練過程輸出圖網(wǎng)絡訓練輸出如圖3.10所示,一個批次中輸出8輪數(shù)據(jù),每輪輸出128/8=16個樣本的訓練數(shù)據(jù),AvgIOU為預測框和標簽文件中對應實際框的交并集比,用于評估預測框檢測的準確性;class為標注物體分類的置信度,期望輸出為1;obj/noobj分別為包含物體和不包含物體的概率;AvgRecall在recall/count中定義,其為當前模型在所有subdivision圖片中檢測出正樣本與實際的正樣本的比值;1962為當前的迭代次數(shù);avg和rate分別為當前的總損失和學習率大校
【參考文獻】:
期刊論文
[1]一種基于FPGA的卷積神經(jīng)網(wǎng)絡加速器的設計與實現(xiàn)[J]. 張榜,來金梅. 復旦學報(自然科學版). 2018(02)
[2]道路交通運輸安全發(fā)展報告(2017)[J]. Matthias Gsul,胡予紅,周旋,寧丙文,米建英,劉佳,王光遠,王靜,董晨,張露丹. 中國應急管理. 2018(02)
[3]交通標志檢測研究綜述[J]. 溫斯傲,李志民,郝博聞,倪鈺婷,鐘玲. 智能計算機與應用. 2016(03)
[4]基于Hough變換圓檢測的人眼定位方法改進[J]. 劉念,蘇杭,郭純宏,周靜. 計算機工程與設計. 2011(04)
[5]一種多通道融合的交通標志檢測方法[J]. 沙莎,肖學鋼. 計算機工程. 2009(06)
[6]三角形交通標志的智能檢測方法[J]. 朱雙東,張懿,陸曉峰. 中國圖象圖形學報. 2006(08)
[7]基于RGB視覺模型的交通標志分割[J]. 黃志勇,孫光民,李芳. 微電子學與計算機. 2004(10)
[8]形態(tài)骨架匹配算法及其在交通標志識別中的應用[J]. 蔣剛毅,鄭義. 電路與系統(tǒng)學報. 1996(03)
博士論文
[1]基于機器視覺的先進輔助駕駛系統(tǒng)關(guān)鍵技術(shù)研究[D]. 范延軍.東南大學 2016
[2]交通標志檢測與分類算法研究[D]. 王剛毅.哈爾濱工業(yè)大學 2013
[3]基于FPGA的卷積神經(jīng)網(wǎng)絡并行結(jié)構(gòu)研究[D]. 陸志堅.哈爾濱工程大學 2013
碩士論文
[1]基于特征融合與稀疏編碼的交通標志識別算法研究[D]. 江鈞.北京交通大學 2016
[2]基于不變矩和小波神經(jīng)網(wǎng)絡的交通標志識別研究[D]. 呂瑾文.武漢理工大學 2009
本文編號:3220589
本文鏈接:http://www.sikaile.net/kejilunwen/shengwushengchang/3220589.html
最近更新
教材專著