交通標志識別是先進輔助駕駛以及無人駕駛中的關鍵技術。目前對于這一問題的主要研究思路是通過安裝在車輛上的攝像機獲取自然場景圖像,進而通過圖像處理與模式識別等技術對場景中的交通標志進行實時檢測和識別。由于真實的道路交通環(huán)境復雜多變,現(xiàn)實應用又要求其保證較高的準確率和實時性,因此交通標志識別研究從理論到實際應用都具有很高的意義。傳統(tǒng)方法使用滑動窗口結合手工設計特征進行交通標志識別,在精度和實時性上已經難以滿足智能駕駛系統(tǒng)的需要。近年來,卷積神經網絡(Convolution Neural Network,CNN)和候選區(qū)域(Region Proposal)等深度學習算法的發(fā)展為交通標志識別技術提供了新的可能,本文將基于深度學習的目標檢測思想用于交通標志識別研究,并進一步實現(xiàn)基于智能車平臺的交通標志識別。具體工作包括以下幾個方面:(1)基于GPU服務器平臺,采用深度學習的方法進行交通標志檢測算法研究。首先使用 Faster R-CNN(Faster Region-based Convolutional Neural Networks)進行交通標志檢測,這種方法通過RPN(Region Propo...

【文章頁數】：87 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 引言
    1.1 研究背景及意義
        1.1.1 交通標志
        1.1.2 輔助駕駛與無人駕駛
    1.2 國內外研究現(xiàn)狀
        1.2.1 傳統(tǒng)的交通標志識別方法研究現(xiàn)狀
        1.2.2 基于卷積神經網絡的交通標志識別方法
    1.3 交通標志識別的研究難點
    1.4 論文研究內容和組織結構
2 相關理論基礎
    2.1 卷積神經網絡
        2.1.1 卷積神經網絡結構
        2.1.2 反向傳播算法
    2.2 基于深度學習的目標檢測算法
        2.2.1 R-CNN
        2.2.2 SPP-NET
        2.2.3 Fast R-CNN
        2.2.4 Faster R-CNN
    2.3 本章小結
3 基于深度學習的交通標志檢測算法研究
    3.1 數據集介紹
    3.2 性能指標
    3.3 基于Faster R-CNN的交通標志檢測
        3.3.1 區(qū)域候選網絡
        3.3.2 Fast R-CNN與RPN共享卷積特征
        3.3.3 特征網絡ResNet
        3.3.4 實驗結果與分析
    3.4 基于R-FCN的交通標志檢測
        3.4.1 位敏得分地圖
        3.4.2 R-FCN用于交通標志檢測
        3.4.3 實驗結果與分析
    3.5 現(xiàn)有算法檢測結果與分析
    3.6 本章小結
4 基于智能車平臺的交通標志識別系統(tǒng)實現(xiàn)
    4.1 實驗平臺搭建
        4.1.1 硬件平臺
        4.1.2 軟件平臺
    4.2 交通標志數據集
        4.2.1 數據標注
        4.2.2 數據擴充
    4.3 模型訓練
        4.3.1 驗證集的使用
        4.3.2 微調模型
        4.3.3 參數調試實驗
    4.4 不同行車場景下的交通標志檢測
        4.4.1 白天場景下的交通標志識別實驗結果與分析
        4.4.2 夜晚場景下的交通標志識別實驗結果與分析
    4.5 本章小結
5 總結與展望
    5.1 工作總結
    5.2 下一步工作
參考文獻
圖索引
表索引
作者簡歷及攻讀碩士學位期間取得的研究成果
學位論文數據集



本文編號：3865280