基于DNN技术的交通标志识别方法研究

发布时间：2017-04-13 02:07

  本文关键词：基于DNN技术的交通标志识别方法研究，由笔耕文化传播整理发布。

【摘要】：交通标志识别作为智能驾驶系统的重要组成部分,是图像处理、模式识别、机器视觉等多学科交叉研究的典型应用,也是智能驾驶系统研究领域中尚未解决的难题之一,是难度较大的实景图形识别。因此,近年来,如何高效地对交通标志进行识别已成为学术研究和工业应用的热点课题。本文首先整理介绍了国内外交通标志识别算法的发展现状及理论研究成果,如基于统计分类的最近邻域法、相似系数法、聚类分析法、决策树和匹配投影法,基于像素级或特征级的模板匹配法,句法分类和集成分类法等多种识别算法,详细介绍了机器学习中深度神经网络(DNN)算法,并对其进行仔细研究,将其应用到交通标志识别上。本文主要开展工作如下:(1)基于DNN技术的交通标志识别。研究确定交通标志识别采用的预处理方式及最佳DNN结构。在同一样本数据集上进行了六种不同的预处理,分别组成不同的预处理训练集,同时,对深度神经网络的结构进行研究,在卷积核大小、子采样窗口大小、批量样本数、特征图数目几个方面进行实验调整,确定了每个训练样本集上的最佳DNN结构,并分析网络结构与不同预处理方式之间的对应关系。(2)基于多列深度神经网络(MCDNN)的交通标志识别及优化策略研究。构造多列深度神经网络,研究对输入图像进行不同的预处理,选择对每类预处理后的训练集识别效果最佳的多列DNN结构,组成一个MCDNN,并将模糊数学的思想应用到各列DNN输出的综合评判上。对各列的输出分别采用综合隶属度判决和离散隶属度判决两种方式,根据最大隶属度原则对输入图像进行最终分类,并与单列的DNN识别结果进行比较。实验表明,深度神经网络不必经过繁琐的调整与修改,就能够很好的应用于交通标志识别,并取得较好的实验效果。当预处理方式存在差异时,其最佳网络结构各不相同,体现了网络结构与预处理结果之间存在着联系。并且在采用集成更多种预处理方法的训练集上,识别效果并不理想。同时对同一样本数据集采用不同的预处理方式,在其上构建多列深度神经网络,并对多列的输出结果进行模糊判决,取得了优于单列DNN的识别效果。
【关键词】：交通标志 深度神经网络 多列深度神经网络 模糊判决
【学位授予单位】：沈阳工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP183
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-19
• 1.1 课题的背景与意义9-10
• 1.2 国内外发展现状10-14
• 1.2.1 国外研究动态10-12
• 1.2.2 国内研究动态12-14
• 1.2.3 主要研究成果及应用14
• 1.3 交通标志的识别难点14-16
• 1.4 研究内容16-17
• 1.5 章节安排17-18
• 1.6 本章小结18-19
• 第2章 相关技术介绍19-29
• 2.1 主流交通标志识别方法19-24
• 2.1.1 统计分类法19-21
• 2.1.2 模板匹配法21-22
• 2.1.3 句法分类法22
• 2.1.4 机器学习法22-24
• 2.1.5 集成分类法24
• 2.2 深度神经网络24-28
• 2.2.1 深度神经网络的基本结构25-26
• 2.2.2 局部感受野和权值共享26-27
• 2.2.3 训练过程27-28
• 2.3 模糊划分28
• 2.4 本章小结28-29
• 第3章 基于深度神经网络的交通标志识别29-46
• 3.1 研究对象29-30
• 3.2 实验数据及预处理30-36
• 3.2.1 二值化32
• 3.2.2 直方图均衡化32-33
• 3.2.3 自适应直方图均衡化33-34
• 3.2.4 形态学处理34-35
• 3.2.5 对比度调整35
• 3.2.6 集成预处理35-36
• 3.3 网络结构及参数的确定36-40
• 3.3.1 卷积核与子采样窗口大小的确定36-37
• 3.3.2 批量训练样本数与特征图数的确定37-40
• 3.4 实验结果及分析40-45
• 3.5 本章小结45-46
• 第4章 多列深度神经网络的交通标志识别及其改进46-54
• 4.1 多列深度神经网络的设计46-49
• 4.1.1 MCDNN设计思路46-47
• 4.1.2 深度神经网络优化策略47-48
• 4.1.3 实验数据48-49
• 4.2 多列深度神经网络的实现与优化49-53
• 4.2.1 多列深度神经网络结构确定49-50
• 4.2.2 模糊判决50-52
• 4.2.3 实验结果及分析52-53
• 4.3 本章小结53-54
• 第5章 结论54-55
• 参考文献55-59
• 在学研究成果59-60
• 致谢60

【参考文献】

中国期刊全文数据库 前10条

1 房泽平;段建民;郑榜贵;;基于特征颜色和SNCC的交通标志识别与跟踪[J];交通运输系统工程与信息;2014年01期

2 邢健飞;罗志增;席旭刚;;基于深度神经网络的实时人脸识别[J];杭州电子科技大学学报;2013年06期

3 蔡自兴;谷明琴;;Traffic sign recognition algorithm based on shape signature and dual-tree complex wavelet transform[J];Journal of Central South University;2013年02期

4 吕刚;;基于卷积神经网络的多字体字符识别[J];浙江师范大学学报(自然科学版);2011年04期

5 杜梅;赵怀慈;;手写数字识别的研究[J];计算机工程与设计;2010年15期

6 王楠;刘威;陈雪;袁淮;刘积仁;;基于多线索混合的交通标志检测与跟踪[J];控制与决策;2010年08期

7 王跃明;潘纲;吴朝晖;;三维人脸识别研究综述[J];计算机辅助设计与图形学学报;2008年07期

8 朱双东;刘兰兰;陆晓峰;;一种用于道路交通标志识别的颜色—几何模型[J];仪器仪表学报;2007年05期

9 朱双东;张懿;陆晓峰;;三角形交通标志的智能检测方法[J];中国图象图形学报;2006年08期

10 王坤明,许忠仁;基于不变矩和神经网络的交通标志识别方法研究[J];计算机应用研究;2004年03期

  本文关键词：基于DNN技术的交通标志识别方法研究，，由笔耕文化传播整理发布。

本文编号：302540