基于深度学习的自然场景中交通标志识别研究
发布时间：2023-02-15 15:34
随着我国经济和社会经济的飞速发展,越来越多向城市集中的人口为大中型城市的发展带来了巨大的机遇和挑战,其中就包括交通拥堵这一难题,智能交通系统的概念也因此而应运而生。智能交通系统包括无人驾驶技术要进入实用阶段,最重要的一点就是要能够将道路上的各种交通状况实时地进行信息化。如何能够尽可能地排除来自于环境因素的干扰,进行准确和高效的交通标志检测与识别,是必须要解决的关键技术问题,具有很大的研究价值和应用前景。早期的交通标志识别先通过图像的颜色和形状等特征来分割区域,再利用模板匹配、SVM分类器或人工神经网络等进行识别。在卷积神经网络出现后,新提出了两大类完全基于深度学习的交通标志识别方法,包括最先出现以RCNN系列为代表的二阶段检测法,和以YOLO系列为代表的单阶段检测法。本文对目前主流的基于深度学习的交通标志识别方法进行深入的研究和实验。首先对视频图像数据进行了基于先验知识的预处理,在不损失重要信息的前提下使数据量降低了49.14%。对利用人工神经网络作为识别阶段的传统方法进行了实现,取得了96.15%的识别率。通过faster RCNN方法的交通标志识别实验,说明该方法用于道路交通标志识...
【文章页数】：98 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题背景与研究意义
1.2 国内外研究现状及分析
1.2.1 国外研究概述
1.2.2 国内外研究分析
1.2.3 国内外研究中存在的问题
1.3 研究内容与章节安排
1.3.1 本文的研究内容
1.3.2 本文的章节安排
第二章 交通标志识别的计算机图像形态学基础
2.1 图像的颜色模型
2.1.1 RGB颜色模型
2.1.2 HSV颜色模型
2.2 图像的空间滤波
2.3 图像形态学运算
2.3.1 膨胀与腐蚀运算
2.3.2 开启和闭合运算
2.4 图像的边缘检测
2.5 图像边缘的凸包与凹点
2.6 图像边缘的形状检测
2.6.1 图像边缘的圆检测
2.6.2 图像边缘的三角形检测
2.7 本章小结
第三章 神经网络基础与交通标志目标检测方法
3.1 人工神经网络
3.1.1 神经元模型
3.1.2 前馈神经网络
3.2 卷积神经网络
3.3 卷积神经网络模型
3.3.1 AlexNet与ZFNet模型
3.3.2 VGGNet模型
3.3.3 深度残差网络ResNet模型
3.4 交通标志目标识别方法概述
3.5 传统检测与识别方法
3.6 二阶段检测与识别方法
3.6.1 R-CNN、SPP-Net与fastR-CNN方法
3.6.2 fasterR-CNN方法与区域提议网络
3.7 单阶段检测与识别方法
3.7.1 YOLO、YOLO9000与YOLOv2
3.7.2 YOLOv3方法与多标签预测
3.8 本章小结
第四章 交通标志识别实验数据设计与环境准备
4.1 中国道路交通标志概述
4.2 环境与设备条件对交通标志图像的影响
4.2.1 天气和光照差异带来的影响
4.2.2 设备因素带来的影响
4.2.3 不规范的临时和简易标志的影响
4.3 本文研究数据的设计
4.3.1 常用交通标志公共数据集分析
4.3.2 作为研究目标的交通标志选取
4.3.3 交通标志样本数据采集
4.3.4 交通标志原始图像的预处理
4.3.5 交通标志识别数据集设计
4.4 交通标志检测与识别的评价标准
4.4.1 精度与召回率
4.4.2 平均精度均值
4.5 交通标志检测与识别的实验环境
4.5.1 实验计算机运行环境
4.5.2 实验开发环境与调整
4.6 本章小结
第五章 传统交通标志识别方法研究
5.1 传统检测与识别方法概述
5.2 基于颜色的交通标志检测研究
5.2.1 白天良好光照环境下场景的识别研究
5.2.2 晚间特殊光照场景下的识别研究
5.2.3 HSV颜色分割的阈值选择研究
5.3 基于几何形状的交通标志检测研究
5.4 基于深度网络的交通标志识别研究
5.4.1 神经网络结构设计
5.4.2 识别结果与分析
5.5 传统方法检测结果综述与展望
5.6 本章小结
第六章 fasterR-CNN交通标志识别方法实验研究
6.1 fasterR-CNN实验环境准备
6.1.1 PASCALVOC2007数据集
6.1.2 Windows平台下faster-RCNN开发环境配置
6.1.3 fasterR-CNN的训练方式
6.2 fasterR-CNN交通标志识别实验
6.2.1 预训练模型的使用
6.2.2 学习率与阈值参数的选择
6.3 fastR-CNN交通标志识别方法优化
6.3.1 针对锚框方法的优化
6.3.2 针对标注精度的参数优化
6.3.3 针对小型交通标志目标识别的优化
6.4 本章小结
第七章 YOLOv3交通标志识别方法实验研究
7.1 YOLOv3实验环境准备
7.1.1 darknet数据集
7.1.2 Darknet网络的超参数
7.2 本章实验设计
7.3 各训练集上的YOLOv3交通标志识别实验研究
7.3.1 在训练集A上的实验研究
7.3.2 在训练集B上的实验研究
7.3.3 在训练集C上的实验研究
7.4 YOLOv3交通标志识别优化研究
7.4.1 数据集的扩充
7.4.2 学习率和参数的选择
7.5 在视频中运行识别结果
7.6 本章小结
第八章 总结与展望
8.1 论文总结
8.2 工作展望
参考文献
攻硕士学位期间取得的研究成果
致谢
附表
本文编号：3743440
【文章页数】：98 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题背景与研究意义
1.2 国内外研究现状及分析
1.2.1 国外研究概述
1.2.2 国内外研究分析
1.2.3 国内外研究中存在的问题
1.3 研究内容与章节安排
1.3.1 本文的研究内容
1.3.2 本文的章节安排
第二章 交通标志识别的计算机图像形态学基础
2.1 图像的颜色模型
2.1.1 RGB颜色模型
2.1.2 HSV颜色模型
2.2 图像的空间滤波
2.3 图像形态学运算
2.3.1 膨胀与腐蚀运算
2.3.2 开启和闭合运算
2.4 图像的边缘检测
2.5 图像边缘的凸包与凹点
2.6 图像边缘的形状检测
2.6.1 图像边缘的圆检测
2.6.2 图像边缘的三角形检测
2.7 本章小结
第三章 神经网络基础与交通标志目标检测方法
3.1 人工神经网络
3.1.1 神经元模型
3.1.2 前馈神经网络
3.2 卷积神经网络
3.3 卷积神经网络模型
3.3.1 AlexNet与ZFNet模型
3.3.2 VGGNet模型
3.3.3 深度残差网络ResNet模型
3.4 交通标志目标识别方法概述
3.5 传统检测与识别方法
3.6 二阶段检测与识别方法
3.6.1 R-CNN、SPP-Net与fastR-CNN方法
3.6.2 fasterR-CNN方法与区域提议网络
3.7 单阶段检测与识别方法
3.7.1 YOLO、YOLO9000与YOLOv2
3.7.2 YOLOv3方法与多标签预测
3.8 本章小结
第四章 交通标志识别实验数据设计与环境准备
4.1 中国道路交通标志概述
4.2 环境与设备条件对交通标志图像的影响
4.2.1 天气和光照差异带来的影响
4.2.2 设备因素带来的影响
4.2.3 不规范的临时和简易标志的影响
4.3 本文研究数据的设计
4.3.1 常用交通标志公共数据集分析
4.3.2 作为研究目标的交通标志选取
4.3.3 交通标志样本数据采集
4.3.4 交通标志原始图像的预处理
4.3.5 交通标志识别数据集设计
4.4 交通标志检测与识别的评价标准
4.4.1 精度与召回率
4.4.2 平均精度均值
4.5 交通标志检测与识别的实验环境
4.5.1 实验计算机运行环境
4.5.2 实验开发环境与调整
4.6 本章小结
第五章 传统交通标志识别方法研究
5.1 传统检测与识别方法概述
5.2 基于颜色的交通标志检测研究
5.2.1 白天良好光照环境下场景的识别研究
5.2.2 晚间特殊光照场景下的识别研究
5.2.3 HSV颜色分割的阈值选择研究
5.3 基于几何形状的交通标志检测研究
5.4 基于深度网络的交通标志识别研究
5.4.1 神经网络结构设计
5.4.2 识别结果与分析
5.5 传统方法检测结果综述与展望
5.6 本章小结
第六章 fasterR-CNN交通标志识别方法实验研究
6.1 fasterR-CNN实验环境准备
6.1.1 PASCALVOC2007数据集
6.1.2 Windows平台下faster-RCNN开发环境配置
6.1.3 fasterR-CNN的训练方式
6.2 fasterR-CNN交通标志识别实验
6.2.1 预训练模型的使用
6.2.2 学习率与阈值参数的选择
6.3 fastR-CNN交通标志识别方法优化
6.3.1 针对锚框方法的优化
6.3.2 针对标注精度的参数优化
6.3.3 针对小型交通标志目标识别的优化
6.4 本章小结
第七章 YOLOv3交通标志识别方法实验研究
7.1 YOLOv3实验环境准备
7.1.1 darknet数据集
7.1.2 Darknet网络的超参数
7.2 本章实验设计
7.3 各训练集上的YOLOv3交通标志识别实验研究
7.3.1 在训练集A上的实验研究
7.3.2 在训练集B上的实验研究
7.3.3 在训练集C上的实验研究
7.4 YOLOv3交通标志识别优化研究
7.4.1 数据集的扩充
7.4.2 学习率和参数的选择
7.5 在视频中运行识别结果
7.6 本章小结
第八章 总结与展望
8.1 论文总结
8.2 工作展望
参考文献
攻硕士学位期间取得的研究成果
致谢
附表
本文编号：3743440
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3743440.html
