面向智能驾驶的交通标志检测和分类算法研究

发布时间：2017-10-17 08:23

  本文关键词：面向智能驾驶的交通标志检测和分类算法研究

  更多相关文章： 交通标志识别 目标检测 图像分类 选择性搜索 卷积神经网络

【摘要】：交通标志识别系统作为智能驾驶系统的重要组成部分,在先进驾驶辅助、交通标志自动维护、无人车自动驾驶等多方面都具有重要作用,是智能驾驶系统研究的关键和基础。然而,真实的道路交通环境复杂多变,光照条件、天气状况、局部遮挡、多个标志聚集、视角倾斜、背景色相似干扰等问题使交通标志识别系统的研究面临许多困难,实时性的要求也使得实际的应用远未达到成熟地步。本文在总结交通标志识别技术研究现状基础上,分析了交通标志识别技术研究的难点以及现有方法存在的问题,对交通标志检测算法和交通标志分类算法进行了创新研究,主要工作包括:第一,针对现有交通标志检测算法对光照和形变敏感、分割阈值难以选择而导致检测准确率不高、鲁棒性较差,或难以满足实时的要求,提出了一种基于选择性搜索的交通标志检测方法。该方法采用改进的分层分组算法获取交通标志目标假设区域集合,然后直接对该假设区域集合进行方向梯度直方图(Histogram of Oriented Gradients,HOG)特征提取和训练,不再对图片进行穷举搜索。其中,在改进的分层分组算法中使用了权值组合的相似度策略对分割区域进行合并,以便得到更多更好的交通标志目标假设区域集合。实验结果表明,该方法具有鲁棒性强、检测准确率高、实时性更好等优点,有一定的现实应用潜力。第二,针对现有基于卷积神经网络的交通标志分类算法网络结构复杂,网络训练和标志识别的过程耗时长,难以满足实时应用要求以及对多尺度交通标志的识别鲁棒性较差等问题,提出了一种快速多尺度卷积神经网络交通标志分类算法。该算法采用更简单的网络结构,自动学习交通标志的多尺度特征,并在训练中采用矫正线性单元(Rectified Linear Units,ReLu)减少耗时,使用Dropout策略防止过拟合。实验结果表明,该方法能够分类出各种尺度大小的交通标志,在保证高分类准确率的同时,实时性也得到了较大的提升。第三,在上述研究的基础上,设计并实现了一个交通标志识别原型系统。该原型系统对输入的交通标志能进行实时的检测和识别,有一定的应用价值。
【关键词】：交通标志识别 目标检测 图像分类 选择性搜索 卷积神经网络
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U495;TP391.41
【目录】：

• 摘要3-4
• Abstract4-9
• 第1章 引言9-17
• 1.1 研究背景和意义9
• 1.2 国内外研究现状9-15
• 1.2.1 交通标志识别系统研究9-11
• 1.2.2 交通标志检测技术研究11-12
• 1.2.3 交通标志分类技术研究12-14
• 1.2.4 存在问题及难点分析14-15
• 1.3 论文主要工作15-16
• 1.4 论文组织结构16-17
• 第2章 交通标志识别技术研究基础17-28
• 2.1 交通标志基础知识17-21
• 2.1.1 交通标志图片数据集17-18
• 2.1.2 交通标志视频数据集18-19
• 2.1.3 交通标志特点分析19-21
• 2.2 交通标志识别关键技术21-27
• 2.2.1 交通标志检测算法21-25
• 2.2.2 交通标志分类算法25-27
• 2.3 交通标志识别系统基本框架27
• 2.4 本章小结27-28
• 第3章 基于选择性搜索的交通标志检测算法研究28-37
• 3.1 问题描述和研究思路28-29
• 3.2 改进的分层分组算法29-30
• 3.2.1 算法改进思路29
• 3.2.2 算法描述29-30
• 3.3 算法实验和结果分析30-36
• 3.3.1 实验方案30
• 3.3.2 参数选择30-31
• 3.3.3 评价指标31-32
• 3.3.4 实验结果及分析32-36
• 3.4 本章小结36-37
• 第4章 快速多尺度卷积神经网络交通标志分类算法研究37-49
• 4.1 问题描述和研究思路37-39
• 4.1.1 问题描述37
• 4.1.2 研究思路37-39
• 4.2 快速多尺度卷积神经网络研究39-41
• 4.2.1 快速多尺度卷积神经网络结构39-41
• 4.2.2 快速多尺度卷积神经网络训练策略41
• 4.3 算法实验和结果分析41-47
• 4.3.1 实验方案41-42
• 4.3.2 参数选择和评价指标42-43
• 4.3.3 实验结果及分析43-47
• 4.4 本章小结47-49
• 第5章 交通标志识别原型系统设计与实现49-59
• 5.1 系统需求分析49
• 5.2 系统总体设计49-51
• 5.2.1 架构设计49-50
• 5.2.2 功能模块设计50-51
• 5.3 系统详细设计51-53
• 5.3.1 界面设计51
• 5.3.2 功能设计51-53
• 5.4 系统实现和功能测试53-58
• 5.4.1 界面实现53-54
• 5.4.2 主要功能测试54-58
• 5.5 本章小结58-59
• 第6章 总结及未来工作59-61
• 6.1 论文工作总结59-60
• 6.2 未来的工作60-61
• 参考文献61-65
• 致谢65-66
• 攻读硕士学位期间从事的科研工作及取得的成果66

【参考文献】

中国期刊全文数据库 前4条

1 蔡自兴;谷明琴;;Traffic sign recognition algorithm based on shape signature and dual-tree complex wavelet transform[J];Journal of Central South University;2013年02期

2 孙光民;王晶;于光宇;李罡;许磊;;自然背景中交通标志的检测与识别[J];北京工业大学学报;2010年10期

3 王楠;刘威;陈雪;袁淮;刘积仁;;基于多线索混合的交通标志检测与跟踪[J];控制与决策;2010年08期

4 王坤明,许忠仁;基于不变矩和神经网络的交通标志识别方法研究[J];计算机应用研究;2004年03期

，

本文编号：1047769