隨著城市化進(jìn)程的不斷加快,城市道路愈發(fā)擁擠,交通事故更是頻頻發(fā)生,因此,以交通標(biāo)志識(shí)別為基礎(chǔ)的智能交通系統(tǒng)成為一個(gè)研究熱點(diǎn)。傳統(tǒng)交通標(biāo)志識(shí)別方法存在特征單一,容易受到環(huán)境的干擾,人工提取特征的過程復(fù)雜,模型泛化能力不強(qiáng)。針對(duì)以上問題,本文提出利用智能算法構(gòu)建交通標(biāo)志識(shí)別模型。論文基于深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò),以德國(guó)交通標(biāo)志數(shù)據(jù)集（GTSRB）和中國(guó)交通標(biāo)志檢測(cè)數(shù)據(jù)集（CCTSDB）為載體,對(duì)交通標(biāo)志圖像識(shí)別分類和交通標(biāo)志檢測(cè)進(jìn)行研究。目標(biāo)檢測(cè)問題比目標(biāo)分類更加復(fù)雜,而目標(biāo)識(shí)別是目標(biāo)檢測(cè)的基礎(chǔ),所以本文選擇先研究目標(biāo)分類,然后進(jìn)一步研究目標(biāo)檢測(cè)。與傳統(tǒng)方法相結(jié)合,在一維卷積的基礎(chǔ)上設(shè)計(jì)了CNN-Squeeze輕量化模型;在深層網(wǎng)絡(luò)的構(gòu)建中,改進(jìn)Inception模塊組建多通道融合加權(quán)模型SE-inception,完成通用型深層卷積網(wǎng)絡(luò),顯著的提高了在交通標(biāo)志的識(shí)別準(zhǔn)確率;交通標(biāo)志目標(biāo)檢測(cè)算法是在深層卷積網(wǎng)絡(luò)識(shí)別分類的基礎(chǔ)上對(duì)目標(biāo)進(jìn)行定位,本文提出了一種新的目標(biāo)檢測(cè)模型,并在交通標(biāo)志數(shù)據(jù)集上完成了仿真研究。首先,在對(duì)卷積神經(jīng)網(wǎng)絡(luò)深入研究的基礎(chǔ)上,把傳統(tǒng)的圖像預(yù)處理、直方圖特征和圖像聚類方法... 

【文章來(lái)源】：燕山大學(xué)河北省

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

CNN-Squeeze網(wǎng)絡(luò)交通標(biāo)志識(shí)別流程圖

第 2 章 CNN 融合 HOG 的交通標(biāo)志圖像識(shí)別模型設(shè)計(jì)與仿真興趣區(qū)域，不僅可以減少圖像樣本中無(wú)用信息的干擾，還可以強(qiáng)化，減少運(yùn)算復(fù)雜度，算法流程如下：于 K-均值，對(duì)樣本圖像進(jìn)行聚類，并將聚類結(jié)果映射到所有數(shù)據(jù)取待切割圖像R ，統(tǒng)一像素大小為 64×64，并灰度化。取感興趣區(qū)域2R ，原始圖像R 與模板Q像素點(diǎn)對(duì)應(yīng)位置做點(diǎn)乘運(yùn)域2R ，模板Q包括1Q 三角和2Q 圓模板，2R 切割過程如式（2-3）2R f ( R,Q ) R.*Q述算法提取圖像感興趣區(qū)域，切割效果如圖 2-2 所示。

2R f ( R,Q ) R.*Q提取圖像感興趣區(qū)域，切割效果如圖 2-2 所示。圖 2-2 感興趣區(qū)域切割景下，車載攝像頭觀察到的交通標(biāo)志可能會(huì)存在旋相應(yīng)旋轉(zhuǎn)，導(dǎo)致切割出的感興趣區(qū)域2R 會(huì)有部分缺別造成的影響，在圖像訓(xùn)練預(yù)處理的同時(shí)對(duì)訓(xùn)練數(shù)據(jù)算法有效性上，對(duì)測(cè)試數(shù)據(jù)人為的增大圖像旋轉(zhuǎn)角 所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于殘差單發(fā)多框檢測(cè)器模型的交通標(biāo)志檢測(cè)與識(shí)別[J]. 張淑芳,朱彤.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2019(05)
[2]一種改進(jìn)的交通標(biāo)志檢測(cè)方法[J]. 黃尚安,董超俊,林庚華,甄俊杰.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2019(06)
[3]基于語(yǔ)義DCNN特征融合的細(xì)粒度車型識(shí)別模型[J]. 楊娟,曹浩宇,汪榮貴,薛麗霞.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2019(01)
[4]深度強(qiáng)化學(xué)習(xí)理論及其應(yīng)用綜述[J]. 萬(wàn)里鵬,蘭旭光,張翰博,鄭南寧.  模式識(shí)別與人工智能. 2019(01)
[5]基于聚類分析的多特征融合遙感圖像場(chǎng)景分類[J]. 林藝陽(yáng),李士進(jìn),孟朝暉.  電子測(cè)量技術(shù). 2018(22)
[6]深度學(xué)習(xí)研究綜述[J]. 張榮,李偉平,莫同.  信息與控制. 2018(04)
[7]基于改進(jìn)SSD的輕量化小目標(biāo)檢測(cè)算法[J]. 吳天舒,張志佳,劉云鵬,裴文慧,陳紅葉.  紅外與激光工程. 2018(07)
[8]目標(biāo)檢測(cè)算法研究綜述[J]. 方路平,何杭江,周國(guó)民.  計(jì)算機(jī)工程與應(yīng)用. 2018(13)
[9]基于輕量型卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別[J]. 楊遠(yuǎn)飛,曾上游,周悅,馮燕燕,潘兵.  電視技術(shù). 2018(03)
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的隨機(jī)梯度下降算法[J]. 王功鵬,段萌,牛常勇.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(02)

碩士論文
[1]交通標(biāo)志檢測(cè)與識(shí)別算法的研究[D]. 閻法典.哈爾濱工業(yè)大學(xué) 2017
[2]基于形狀模板匹配的實(shí)時(shí)目標(biāo)檢測(cè)與跟蹤算法研究[D]. 任菲菲.華中科技大學(xué) 2017



本文編號(hào)：3050538