基于卷积神经网络的交通标志检测方法研究

发布时间：2023-04-05 09:35

　　交通标志检测和识别是无人驾驶汽车中的关键技术之一,近年来受到国内外学者的广泛关注。随着计算机计算能力的不断提高以及深度学习技术的蓬勃发展,基于图像的目标检测取得了较好的效果。基于卷积神经网络的目标检测方法在交通标志检测中有着广泛的应用前景和研究价值。本文研究了基于卷积神经网络的交通标志检测方法,结合交通标志的特点对基于回归方法的目标检测模型进行了改进和优化,提出了基于回归方法的交通标志检测模型,并且通过网络层连接融合提高检测网络对像素占比过低的交通标志的检测能力。本文工作主要包括:(1)提出了三种检测模型网络结构设计和改进方法。在YOLOv2网络结构的基础上,将特征图中3×3卷积层分解为3×1卷积层和1×3卷积层,使得模型深度加深的同时减少模型的参数,简化了运算;利用ResNet方法设计了多种残差模块,通过跨层连接的方式缓解深度卷积网络在梯度回传时可能出现的梯度消失和梯度爆炸现象;将检测网络中的池化操作替换为步长为2的卷积操作,利用卷积层降维,同时在网络底部增加多个1×1卷积层提取交通标志特征。在GTSDB数据集上的实验结果表明,上述三种方法对模型的检测效果均有一定程度的提升。(2)对...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 交通标志检测研究现状
        1.2.1 传统交通标志检测方法
        1.2.2 基于深度学习的交通标志检测方法
    1.3 交通标志检测重难点
    1.4 论文的主要工作
        1.4.1 主要研究内容
        1.4.2 论文的框架
2 交通标志检测和卷积神经网络相关技术
    2.1 交通标志检测流程和常用技术
        2.1.1 候选区域的获取
        2.1.2 非极大值抑制(NMS)
        2.1.3 边界框回归
    2.2 卷积神经网络相关技术
        2.2.1 卷积层
        2.2.2 池化层
        2.2.3 全连接层
        2.2.4 激活函数
        2.2.5 典型卷积神经网络结构
    2.3 基于回归方法的目标检测模型
        2.3.1 YOLO
        2.3.2 YOLOv2
        2.3.3 回归方法在交通标志检测中的应用
    2.4 本章小结
3 交通标志检测模型网络结构的设计和改进
    3.1 YOLOv2 模型的网络结构
    3.2 卷积层分解
    3.3 残差网络结构的设计
    3.4 利用卷积层降维的尝试
    3.5 本章小结
4 基于回归方法的交通标志检测模型及其训练方法的优化
    4.1 批标准化和批再标准化
        4.1.1 批标准化(Batch normalization)
        4.1.2 批再标准化(Batch Renormalization)
    4.2 损失函数的优化
    4.3 基于回归方法的交通标志检测模型
    4.4 实验结果和分析
    4.5 本章小结
5 基于特征融合的交通标志检测
    5.1 交通标志检测模型的效果和不足
    5.2 基于特征融合的交通标志检测模型
    5.3 实验结果和分析
    5.4 本章小结
6 总结与展望
    6.1 工作总结
    6.2 工作展望
致谢
参考文献
附录



本文编号：3783178