基于共享卷积神经网络的交通标志检测与识别研究
发布时间：2020-11-18 12:17
交通标志检测与识别是高级辅助驾驶的关键技术之一,准确的获取前方道路交通标志信息能够为驾驶人员或智能车辆执行动作提供决策支持,降低交通事故发生的概率。本文在分析研究国内外交通标志检测与识别技术的基础上,基于深度卷积神经网络架构,提出了一种基于共享卷积神经网络的交通标志检测与识别方法,并对其进行了算法测试及对比分析。论文主要的研究工作如下:(1)提出了一种基于改进区域建议网络(RPN)的交通标志检测方法。首先,通过残差卷积神经网络(ResNet)对输入图像进行卷积操作,得到卷积特征图;其次,为了检测不同尺度的交通标志,设置基于输入图像的16?16、32?32、64?64、128?128、256?256五种锚点窗口;然后,将锚点窗口在最后一层卷积特征图上进行卷积操作,得到固定维数的特征向量;最后,通过两个全连接层输出交通标志候选区域和边框位置参数。本算法能够有效地提高不同尺度交通标志检测的鲁棒性。(2)提出了一种基于改进空间金字塔池化网络(SPPNet)的多尺度交通标志识别方法。首先,将交通标志检测方法中得到的不同尺度的交通标志候选区域映射到ResNet卷积神经网络中,得到不同大小的卷积特征图;然后,利用SPP层将不同大小的卷积特征图池化到固定大小输出,得到固定长度的特征向量;最后,通过两个全连接层输出交通标志类型判定和边框位置参数。本算法能够有效地解决交通标志识别任务中多尺度输入的问题。(3)实现了一种交通标志检测与识别软件系统。以本文提出的交通标志检测与识别算法为基础,搭建基于Windows平台的交通标志检测与识别软件系统,系统主要包括图像采集与预处理模块、网络模型训练模块和交通标志检测与识别模块。通过对西安市道路的真实场景数据采集,实现该软件系统的性能测试。测试结果表明,本系统能够准确检测前方道路的交通标志区域,并记录交通标志的识别类型和时间。针对本文提出的基于共享卷积神经网络的交通标志检测与识别算法,采用德国交通标志检测数据集(GTSDB)进行算法测试和性能分析,结果表明采用本文算法对测试集中的43类交通标志都有较好的识别结果,可以达到95%以上的平均识别率。通过对比分析基于Faster RCNN的交通标志检测与识别算法以及基于“SS+AlexNet”的交通标志检测与识别算法,证明了在综合考量时间损耗以及识别精准率的基础上,本文提出的算法明显优于另外两种算法。
【学位单位】：长安大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：U463.6;TP183
【部分图文】：
第三章对基于共享卷积神经网络的交通标志检测与识别算法进行具体分析。首先提出本文算法的整体架构，即交通标志检测阶段与交通标志识别阶段共享 ResNet 卷积神经网络，然后分别对基于 RPN 改进的交通标志检测网络和基于 SPPNet 改进的深度多尺度交通标志识别网络进行具体论述及结构分析，最后定义整个网络的损失函数及网络训练策略。第四章主要是对本文方法进行测试及性能分析。首先概述了网络测试所选用的交通标志数据集，其次基于该数据集进行网络参数调整并训练网络模型，然后得到本文方法的实验结果，最后再与基于 Faster RCNN 的交通标志检测与识别算法以及基于“SS+AlexNet”的交通标志检测与识别算法进行对比分析，作出算法评价。第五章详细论述了交通标志检测与识别软件系统的构建过程与实现细节。其中包括系统的总体概述以及系统软件平台功能模块的实现。本文的组织结构如图 1.3 所示：
图 2.3 卷积神经网络结构（1）卷积层卷积层是 CNN 的核心内容，从本质上来讲，卷积核的作用等同于一个滤波器，通过对输入图像进行滤波操作，并对所得结果加上偏置参数然后送入激活函数中，得到最终的卷积值。每一个卷积核得到原图的一种图像特征，即称为卷积特征图。在经过本层的卷积操作后，将继续向后续的卷积层传递。在实现环节，卷积层是利用卷积核在输入层上滑动窗口而进行计算的，卷积核里的每一个参数大小都代表着输入层对应位置所占的权重大小，由卷积核所得到的局部值为输入层对应位置的参数与权值的乘积之和，如图 2.4 所示。卷积层的输入为5 5大小的图像，其中一个卷积核为3 3大小，将其在输入图像上滑动同时计算卷积值，滑动窗口移动的步长为 1，则最终得到的(5 3 1) (5 3 1)大小即 的卷积特征图。该卷积核的 9 个参数表示输入图像每个位置元素的权值，将不同元素按权重比例相乘并加起来即
N 的核心内容，从本质上来讲，卷积核的作用等同滤波操作，并对所得结果加上偏置参数然后送入激个卷积核得到原图的一种图像特征，即称为卷积特继续向后续的卷积层传递。卷积层是利用卷积核在输入层上滑动窗口而进行计代表着输入层对应位置所占的权重大小，由卷积核参数与权值的乘积之和，如图 2.4 所示。卷积层的积核为3 3大小，将其在输入图像上滑动同时计算则最终得到的(5 3 1) (5 3 1)大小即 的卷积入图像每个位置元素的权值，将不同元素按权重比的值，最终按顺序求出卷积特征图。
【参考文献】
本文编号：2888709
【学位单位】：长安大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：U463.6;TP183
【部分图文】：
第三章对基于共享卷积神经网络的交通标志检测与识别算法进行具体分析。首先提出本文算法的整体架构，即交通标志检测阶段与交通标志识别阶段共享 ResNet 卷积神经网络，然后分别对基于 RPN 改进的交通标志检测网络和基于 SPPNet 改进的深度多尺度交通标志识别网络进行具体论述及结构分析，最后定义整个网络的损失函数及网络训练策略。第四章主要是对本文方法进行测试及性能分析。首先概述了网络测试所选用的交通标志数据集，其次基于该数据集进行网络参数调整并训练网络模型，然后得到本文方法的实验结果，最后再与基于 Faster RCNN 的交通标志检测与识别算法以及基于“SS+AlexNet”的交通标志检测与识别算法进行对比分析，作出算法评价。第五章详细论述了交通标志检测与识别软件系统的构建过程与实现细节。其中包括系统的总体概述以及系统软件平台功能模块的实现。本文的组织结构如图 1.3 所示：
图 2.3 卷积神经网络结构（1）卷积层卷积层是 CNN 的核心内容，从本质上来讲，卷积核的作用等同于一个滤波器，通过对输入图像进行滤波操作，并对所得结果加上偏置参数然后送入激活函数中，得到最终的卷积值。每一个卷积核得到原图的一种图像特征，即称为卷积特征图。在经过本层的卷积操作后，将继续向后续的卷积层传递。在实现环节，卷积层是利用卷积核在输入层上滑动窗口而进行计算的，卷积核里的每一个参数大小都代表着输入层对应位置所占的权重大小，由卷积核所得到的局部值为输入层对应位置的参数与权值的乘积之和，如图 2.4 所示。卷积层的输入为5 5大小的图像，其中一个卷积核为3 3大小，将其在输入图像上滑动同时计算卷积值，滑动窗口移动的步长为 1，则最终得到的(5 3 1) (5 3 1)大小即 的卷积特征图。该卷积核的 9 个参数表示输入图像每个位置元素的权值，将不同元素按权重比例相乘并加起来即
N 的核心内容，从本质上来讲，卷积核的作用等同滤波操作，并对所得结果加上偏置参数然后送入激个卷积核得到原图的一种图像特征，即称为卷积特继续向后续的卷积层传递。卷积层是利用卷积核在输入层上滑动窗口而进行计代表着输入层对应位置所占的权重大小，由卷积核参数与权值的乘积之和，如图 2.4 所示。卷积层的积核为3 3大小，将其在输入图像上滑动同时计算则最终得到的(5 3 1) (5 3 1)大小即 的卷积入图像每个位置元素的权值，将不同元素按权重比的值，最终按顺序求出卷积特征图。
【参考文献】
相关期刊论文 前5条
1 贾永红;胡志雄;周明婷;姬伟军;;自然场景下三角形交通标志的检测与识别[J];应用科学学报;2014年04期
2 冯春贵;祝诗平;王海军;贺园园;;基于改进模板匹配的限速标志识别方法研究[J];西南大学学报(自然科学版);2013年04期
3 张静;何明一;戴玉超;屈晓刚;;多特征融合的圆形交通标志检测[J];模式识别与人工智能;2011年02期
4 陈洪波;王强;徐晓蓉;陈真诚;汤井田;;用改进的Hough变换检测交通标志图像的直线特征[J];光学精密工程;2009年05期
5 徐迪红;唐炉亮;;基于颜色和标志边缘特征的交通标志检测[J];武汉大学学报(信息科学版);2008年04期
相关硕士学位论文 前1条
1 王洋;一种基于模板匹配的交通标志识别方法[D];吉林大学;2013年
本文编号：2888709
本文链接：https://www.wllwen.com/kejilunwen/qiche/2888709.html
