基于深度学习的交通信号灯检测与识别方法研究

发布时间：2020-12-09 13:24

　　交通信号灯是保障交通道路安全的重要设施之一,能够有效指导车辆正确通行。检测与识别技术能够辅助驾驶者正确判读交通信号灯,减少交通事故发生,并为无人驾驶提供安全保障。传统图像处理方法对图像质量要求较高,机器学习方法需要人工提取特征,而目前深度学习目标检测算法计算量庞大难以保障实时性。针对上述方法的不足,本文提出一种基于深度学习的交通信号灯检测与识别方法,先采用图像处理方法检测交通信号灯的候选区域,再利用深度学习算法对候选区域进行目标识别。首先对原始图像进行预处理,设置ROI区域减少数据处理范围,并使用形态学去除图像中部分背景信息,减少冗余信息。为提高颜色分割精度,本文先在RGB空间下进行初步颜色分割,排除部分颜色区域,然后在HSV空间中对非零像素进行二次分割。在进行识别交通信号灯类型时,本文采用了深度学习中常用的卷积神经网络,通过设计合理的卷积神经网络模型,能够有效提高算法识别精度和实时性。最后,分别在Bosch交通信号灯数据集和Lara交通信号灯数据集下对本文方法性能进行验证。实验结果表明:本文方法的识别精确率和召回率都较高,能够满足实时性要求,对于交通信号灯检测与识别具有重要的应用价值... 

【文章来源】：长春理工大学吉林省

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

Google无人驾驶汽车

是一种抽象的数学模型，将色分量（如 RGB）。颜色空间可表示成一对应于一种颜色。颜色空间是用户理解相机可以看到的东西，显示器可以显示最为熟悉的颜色模型，它的三基色分别其他颜色。图像中每个像素的 RGB 分量论上可以达到 16777216 种颜色。图 2.1

图 2.2 LAB 颜色空间色空间。HSV 色彩空间与人类感知色彩：色调、饱和度和值。在 1978 年 Alvy 锥体颜色模型[20]。图 2.3 显示了一个六六角形，每个横截面的顶点是红色、黄中的颜色通过指定色调角度、色度级别和度逆时针方向增加，互补颜色的色相距

【参考文献】：
期刊论文
[1]基于深度学习的小面积指纹匹配方法[J]. 张永良,周冰,詹小四,裘晓光,卢天培.  计算机应用. 2017(11)
[2]深度学习框架和加速技术探讨[J]. 余伟豪,李忠,安建琴,宋奕瑶.  软件. 2017(06)
[3]谷歌TensorFlow机器学习框架及应用[J]. 章敏敏,徐和平,王晓洁,周梦昀,洪淑月.  微型机与应用. 2017(10)
[4]基于卷积神经网络的连续语音识别[J]. 张晴晴,刘勇,潘接林,颜永红.  工程科学学报. 2015(09)
[5]基于深度学习神经网络的孤立词语音识别的研究[J]. 王山海,景新幸,杨海燕.  计算机应用研究. 2015(08)
[6]深度学习研究综述[J]. 尹宝才,王文通,王立春.  北京工业大学学报. 2015(01)
[7]一种简洁高效的加速卷积神经网络的方法[J]. 刘进锋.  科学技术与工程. 2014(33)
[8]一种面向多源领域的实例迁移学习[J]. 张倩,李明,王雪松,程玉虎,朱美强.  自动化学报. 2014(06)
[9]基于图像处理的交通信号灯识别方法[J]. 武莹,张小宁,何斌.  交通信息与安全. 2011(03)
[10]BP神经网络输入层数据归一化研究[J]. 柳小桐.  机械工程与自动化. 2010(03)

博士论文
[1]不均衡数据分类方法的研究[D]. 曹鹏.东北大学 2014
[2]复杂环境中交通标识识别与状态跟踪估计算法研究[D]. 谷明琴.中南大学 2013

硕士论文
[1]基于改进随机梯度下降算法的SVM[D]. 金钊.河北大学 2017
[2]迁移学习在图像分类中的应用研究[D]. 吴国琴.安徽大学 2017
[3]基于机器学习的多维数据压缩算法研究[D]. 唐欣.上海交通大学 2015
[4]局部特征描述子算法研究[D]. 施鹏.上海交通大学 2008



本文编号：2906929