近年來,我國國民經(jīng)濟(jì)不斷提高,截止2017年底,我國汽車保有量已突破2億輛,汽車在居民的出行中扮演了極其重要的角色。交通標(biāo)志牌是一種常見的交通輔助設(shè)施,其為駕駛員提供了及其豐富的道路信息,尤其是字符型交通標(biāo)志,其包含的豐富的高層語義信息對(duì)于緩解交通擁堵,提高道路交通安全具有重要的意義。計(jì)算機(jī)視覺是人工智能中一個(gè)極為重要的領(lǐng)域。傳統(tǒng)光學(xué)字符識(shí)別（OCR）技術(shù)的發(fā)展目前已經(jīng)趨于成熟,相對(duì)于OCR識(shí)別的規(guī)范文檔圖像,場(chǎng)景文字由于其背景復(fù)雜多變,存在光照不均、遮擋、文本方向多變等因素,其識(shí)別具有極大的挑戰(zhàn)性,對(duì)于自然場(chǎng)景中文本的檢測(cè)與識(shí)別近年來成為了研究熱點(diǎn)。交通標(biāo)志文本是場(chǎng)景文本的一種,目前國內(nèi)外關(guān)于交通標(biāo)志檢測(cè)及識(shí)別的研究相對(duì)較少,尚未形成一個(gè)可供研究的公開統(tǒng)一的數(shù)據(jù)集,尤其是中文交通標(biāo)志文本。研究選取字符型交通標(biāo)志中的指路標(biāo)志為研究對(duì)象,通過圖像采集和處理建立了一個(gè)具有代表性及挑戰(zhàn)性的數(shù)據(jù)集,提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的算法對(duì)采集到的圖像進(jìn)行檢測(cè)與識(shí)別。同時(shí)與當(dāng)前流行的算法進(jìn)行了比較,該方法通過提出一種全新的四邊形表示回歸模型,直接預(yù)測(cè)任意方向的文本包圍框。通過對(duì)一些常用的文本檢測(cè)、詞識(shí)... 

【文章頁數(shù)】：62 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 交通標(biāo)志牌的檢測(cè)與識(shí)別
        1.2.2 場(chǎng)景文字的檢測(cè)與識(shí)別
        1.2.3 研究現(xiàn)狀總結(jié)
    1.3 研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 交通標(biāo)志文字檢測(cè)及識(shí)別算法
    2.1 我國交通路牌分類及其文本特征
    2.2 交通指路標(biāo)志文字檢測(cè)與識(shí)別算法
        2.2.1 傳統(tǒng)文本檢測(cè)與識(shí)別算法
        2.2.2 基于深度學(xué)習(xí)的文本檢測(cè)與識(shí)別算法
        2.2.3 基于CNN和RNN的文字識(shí)別算法
        2.2.4 文本檢測(cè)與識(shí)別結(jié)合方法
        2.2.5 基于深度學(xué)習(xí)的端到端文本檢測(cè)與識(shí)別網(wǎng)絡(luò)
    2.3 本章小結(jié)
第3章 中文指路交通標(biāo)志數(shù)據(jù)集說明
    3.1 數(shù)據(jù)采集方法與過程
        3.1.1 采集途徑
        3.1.2 基于軟件LabelMe的采集數(shù)據(jù)集標(biāo)注
    3.2 數(shù)據(jù)集中指路標(biāo)志文本的統(tǒng)計(jì)特性分類
        3.2.1 交通標(biāo)志文本的位置特性的分類
        3.2.2 交通標(biāo)志文本的尺度特性的分類
        3.2.3 數(shù)據(jù)集內(nèi)部特征及組成分布
    3.3 建立增廣數(shù)據(jù)集
    3.4 本章小結(jié)
第4章 文本檢測(cè)識(shí)別算法訓(xùn)練與實(shí)驗(yàn)
    4.1 網(wǎng)絡(luò)架構(gòu)
        4.1.1 文本groundtruth的表示方法
        4.1.2 默認(rèn)框的設(shè)置
        4.1.3 多輸出層
        4.1.4 卷積核設(shè)置
        4.1.5 損失函數(shù)
    4.2 網(wǎng)絡(luò)訓(xùn)練與實(shí)驗(yàn)
        4.2.1 實(shí)驗(yàn)環(huán)境
        4.2.2 實(shí)驗(yàn)結(jié)果評(píng)估方法
        4.2.3 預(yù)訓(xùn)練
        4.2.4 研究對(duì)文本groundtruth的表示
        4.2.5 難分樣本挖掘
        4.2.6 多尺度訓(xùn)練
        4.2.7 非極大抑制(NMS)
        4.2.8 Adam優(yōu)化算法
        4.2.9 檢測(cè)算法損失函數(shù)
        4.2.10 文本檢測(cè)實(shí)驗(yàn)與結(jié)果分析
        4.2.11 文本識(shí)別模型訓(xùn)練
        4.2.12 端到端文本檢測(cè)與識(shí)別
        4.2.13 端到端文本檢測(cè)與識(shí)別結(jié)果
        4.2.14 和其他算法的比較
    4.3 本章小結(jié)
結(jié)論
    總結(jié)
    展望
參考文獻(xiàn)
致謝



本文編號(hào)：3701580