基于CNN的雾霾环境下交通标志的识别

发布时间：2021-03-08 01:35

　　随着科技的发展,智能驾驶系统越来越接近人们的生活。作为道路上重要的指示信息,交通标志识别的准确与否至为重要。在实际的道路交通中,采集到的图像受到实时天气的影响,存在着光照过强或过弱、模糊等情况;同时由于角度问题,也存在形变、遮挡,这些问题都极大的增加了交通标志识别的难度。本文主要针对雾霾条件下的交通标志的识别进行研究,提出了基于特征复用的卷积神经网络去雾算法,并提出了基于自适应仿射变换网络的交通标志识别网络。本文在进行去雾算法的改进时,充分理解大气散射模型的基本理论,并对暗通道算法进行了复原以提高对单幅图像去雾过程的理解。通过分析暗通道算法的局限性,例如多次计算下误差的累积,无法适用于大面积天空区域等,提出了一种基于特征复用的卷积神经网络去雾算法。该算法以大气散射模型作为理论基础,通过将有雾图像与无雾图像建立起对应关系,获得更佳的图像去雾效果。在该网络中,特征复用单元将前一层特征重复使用,减少每次卷积操作所需提取的特征数量,并将低层特征与高层特征相结合,提高了对低层特征的表达能力,有效的减小了对网络层数的依赖性。另一方面,由于本算法直接在有雾图像及无雾图像之间建立联系,极大程度的避免了... 

【文章来源】：中北大学山西省

【文章页数】：86 页

【学位级别】：硕士

【部分图文】：

神经网络图

图 2.2 全连接网络和局部连接网络藏层中有一万个神经元的 10000x1000 像素的单通道灰连接网络中，因为图中的每个像素都需要连接到每个在右侧的局部连接网络中，神经元只需要连接卷积核接到 10x10 的区域的参数只有 106个参数。与前者一。所示的解释中，我们仍假设卷积核的大小是 10x10。个神经元需要连接权重参数为 100。如果使用不同的权重参数为卷积核个数再乘以单个卷积核的权重参数卷积核那么该网络就只需要 100 个参数了，这就是权效率，同时也减少了需要学习的参数数量。为例，如图 2.3 所示为 LeNet-5 的基本网络结构。在

边的全连接网络中，因为图中的每个像素都需要连接到每个神经元一个连接。在右侧的局部连接网络中，神经元只需要连接卷积核。假设卷x10，则连接到 10x10 的区域的参数只有 106个参数。与前者相比，后的 104分之一。权值共享所示的解释中，我们仍假设卷积核的大小是 10x10。在右图所络中，每个神经元需要连接权重参数为 100。如果使用不同的卷积核，要连接的权重参数为卷积核个数再乘以单个卷积核的权重参数，但如果用同一个卷积核那么该网络就只需要 100 个参数了，这就是权重共享。高了学习效率，同时也减少了需要学习的参数数量。 LeNet-5 为例，如图 2.3 所示为 LeNet-5 的基本网络结构。在该网络中、卷积层(Convolutional Layer)、池化层(Pooling Layer)、全连接层(Fuller)以及输出层。

【参考文献】：
期刊论文
[1]2018年中国汽车市场盘点[J]. 赵黎.  汽车纵横. 2019(02)
[2]图像去雾的最新研究进展[J]. 吴迪,朱青松.  自动化学报. 2015(02)
[3]基于视觉注意机制的交通标志检测[J]. 刘芳,邹琪.  计算机工程. 2013(02)
[4]一种基于单尺度Retinex的雾天降质图像增强新算法[J]. 黄黎红.  应用光学. 2010(05)
[5]自然场景下交通标志的自动识别算法[J]. 何耀平,徐丽珍.  微计算机信息. 2010(04)



本文编号：3070177