复杂环境下交通标志牌的检测和识别

发布时间：2020-12-05 11:50

　　交通标志检测与识别作为智能交通系统重要的一个环节,对于发展无人驾驶具有十分重要的意义。在实时道路交通中,车载摄像机拍摄获取的场景图像,部分交通标志可能被周围的障碍物遮挡,受到的光照强度发生改变以及因运动而导致交通标志模糊等因素,这些都加大了智能交通系统中交通标志检测与识别的难度。针对这些问题,提出了使用一种卷积神经网络的算法对交通道路环境下的交通标志进行检测与识别,以便提高交通标志的检测速率和识别率。本文以我国道路交通标志为研究对象,主要包含三大类的交通标志:警告标志、禁止标志、指示标志。在自然场景中,车载摄像机连续拍摄获取的高清分辨率的道路交通标志进行检测与识别分类展开研究。这样获得的数据集相较于德国交通标志基准的好处在于相邻图像之间存在一定的关联性,可以很好的解决因角度变化引起拍摄获取的交通标志反光、遮挡、运动模糊等问题。此外,为了增加数据集样本的多样性和鲁棒性,我们采用仿射变换技术,数据集样本扩大几十倍。在交通标志检测过程中,我们在Huval等人设计的卷积神经网络进行改进,设计使用一个七层的卷积神经网络并结合Faster R-CNN算法中的RPN结构对其提取候选区域。此外,综合检... 

【文章来源】：广东工业大学广东省

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

人工神经元结构模型

第二章 深度学习理论基础tanh 2 2 1x xx xe ex xe e 0 0max 0,0if xf x xx if x 向传播网络是由很多不同的神经元单元按照不同层级相连接起来构成的网层是输入层，最后一层是输出层，中间为隐藏层，隐藏层即是上一层下一层的输入单元，并且每层都拥有一个偏置值。

广东工业大学硕士学位论文输出层节点输出为：21 1n miji j i ny f w X b (2.62.2.3 反向传播反向传播[27,28]由前向和后向两个操作构成，图 2-3 描述的一次完整的迭代过程，前向操作利用当前的权重参数和输入数据，从下往上，即从输入层到输出层，求取预测结果，并利用预测结果与真实值求解出损失函数的值。反向操作则利用前向操作求解得到的损失函数，从上往下，即从输出层到输入层，求解网络的参数梯度。经过前向和反向的两个操作后，完成一次迭代过程。

【参考文献】：
期刊论文
[1]图切技术和卷积网络的交通标志数据集构建方法[J]. 熊昌镇,王聪.  计算机应用. 2017(S1)
[2]基于图像不变特征深度学习的交通标志分类[J]. 谢锦,蔡自兴,邓海涛,盛艳.  计算机辅助设计与图形学学报. 2017(04)
[3]基于深度属性学习的交通标志检测[J]. 王方石,王坚,李兵,王博.  吉林大学学报(工学版). 2018(01)
[4]一种改进的交通标志图像识别算法[J]. 徐岩,韦镇余.  激光与光电子学进展. 2017(02)
[5]基于优化卷积神经网络结构的交通标志识别[J]. 王晓斌,黄金杰,刘文举.  计算机应用. 2017(02)
[6]应用深层卷积神经网络的交通标志识别[J]. 黄琳,张尤赛.  现代电子技术. 2015(13)
[7]一种面向无人驾驶汽车的高效交通标志识别方法[J]. 宋文杰,付梦印,杨毅.  机器人. 2015(01)
[8]智能交通系统综述[J]. 赵娜,袁家斌,徐晗.  计算机科学. 2014(11)
[9]户外交通标志检测和形状识别[J]. 许少秋.  中国图象图形学报. 2009(04)

博士论文
[1]复杂大背景下交通标志快速鲁棒的检测和识别研究[D]. 刘春生.山东大学 2016
[2]城市环境下无人驾驶智能车感知系统若干关键技术研究[D]. 陈龙.武汉大学 2013



本文编号：2899406