用于交通标志检测的改进SSD深度神经网络方法研究

发布时间：2021-04-21 05:25

　　交通标志检测是智能车有关的关键技术之一,准确、实时地获取交通标志信息有助于减少或避免交通事故发生。常规的交通标志检测方法检测效率难以进一步显著提升,而深度学习方法往往具有强大的特征表征能力,在交通标志检测领域具有广泛的应用潜力。开展基于深度学习的交通标志检测方法研究具有重大理论和现实意义。针对交通标志目标检测问题,本文设计并实现了一种基于窗口大小聚类和多尺度特征融合的SSD（Single Shot MultiBox Detector）深度神经网络方法。首先,开展了交通标志检测基准数据集的调查研究,并对选定的数据集进行增广预处理,改善样本多样性。然后,提出了一种改进的SSD模型,该模型将原始SSD模型中的VGG16基础网络替换为更深的ResNet50残差网络,以改善特征表征能力;采用K-均值聚类算法取代盲目搜索机制,确定SSD中默认窗口的大小;引入多尺度特征融合机制,综合浅层的高分辨率特征和深层的语义特征共同用于决策。进而,系统地开展Faster R-CNN、FPN、原始SSD模型和本文方法检测性能比较实验研究。针对德国交通标志检测数据集,本文方法获得97.96%mAP（mean Ave... 

【文章来源】：长安大学陕西省 211工程院校 教育部直属院校

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 交通标志检测的研究难点
    1.4 本文主要内容和章节安排
第二章 基准数据集与深度学习相关技术
    2.1 实验数据
        2.1.1 基准数据集
        2.1.2 数据集分析
        2.1.3 数据增广
    2.2 深度学习相关技术
        2.2.1 卷积神经网络
        2.2.2 权重初始化
        2.2.3 激活函数
        2.2.4 优化器
    2.3 残差网络
    2.4 多尺度特征融合
    2.5 K-均值聚类算法
    2.6 非极大值抑制
    2.7 本章小结
第三章 基于窗口大小聚类和多尺度特征融合的SSD检测方法
    3.1 原始SSD检测方法
        3.1.1 原始SSD模型
        3.1.2 存在的问题
    3.2 本文检测方法
        3.2.1 K-均值聚类确定默认窗口大小
        3.2.2 改进的SSD模型（本文模型）
    3.3 检测算法流程
    3.4 本章小结
第四章 实验与分析
    4.1 实验环境
    4.2 评价标准
        4.2.1 检测准确率
        4.2.2 速度
    4.3 训练样本扩充
    4.4 预训练与微调
    4.5 GTSDB数据集检测
        4.5.1 基础网络比选实验
        4.5.2 默认框生成方式比选实验
        4.5.3 多尺度特征融合比选实验
    4.6 CTSD数据集检测
    4.7 检测结果分析
    4.8 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读学位期间取得的研究成果
致谢


【参考文献】：
期刊论文
[1]深度神经网络训练中梯度不稳定现象研究综述[J]. 陈建廷,向阳.  软件学报. 2018(07)
[2]优化初始聚类中心及确定K值的K-means算法[J]. 蒋丽,薛善良.  计算机与数字工程. 2018(01)
[3]基于随机森林的人脸关键点精确定位方法[J]. 王丽婷,丁晓青,方驰.  清华大学学报(自然科学版). 2009(04)

博士论文
[1]驾驶员对交通标志的视觉信息认知过程实验研究[D]. 关伟.北京工业大学 2014

硕士论文
[1]基于机器学习的交通标志检测与分类方法研究[D]. 曹继承.电子科技大学 2018
[2]基于多尺度卷积神经网络的交通标志识别方法[D]. 田正鑫.长安大学 2017
[3]基于深度学习的场景分类[D]. 张建国.辽宁工业大学 2016
[4]智能行车系统防摇控制[D]. 严晶.上海交通大学 2008



本文编号：3151144