基于Faster R-CNN的路边交通标志检测研究

发布时间：2021-03-01 20:45

　　现今,以道路交通为主的交通方式迅速发展起来,随之而来的是频繁发生的交通事故。针对这个重要问题,智能交通系统逐渐发展起来,交通标志检测是其中的关键环节之一。但实际交通环境由于受到各种外界因素的影响,交通标志检测存在很大难度。近年来,随着计算机运算能力的提升,通过训练深层卷积神经网络,并运用于目标检测的方法,得到了学术界的广泛研究和青睐。Faster R-CNN是其中的一个典型代表。本文围绕基于Faster R-CNN的方法对交通标志检测任务展开研究。然而,直接使用Faster R-CNN进行交通标志检测,依然存在以下几大困难:1)获取交通标志数据过于繁琐,而且人工标注费时费力,因此,具有标注的交通标志图像资源有限,难以训练得到比较好的模型;2)由于采集的图像受各种因素干扰,有的图像质量较差,而且小尺寸交通标志比较多,给交通标志检测任务带来了很大的挑战。针对以上问题,本文主要工作内容如下:（1）提出一种基于透视变换的数据增强方法,可使图像产生立体变换效果,以模拟真实情况下不同的拍摄角度,从而有效扩充数据集。对于交通标志检测任务,该方法比普通数据增强方法更有效。（2）由于大多数交通标志占图像... 

【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校

【文章页数】：84 页

【学位级别】：硕士

【文章目录】：
中文摘要
英文摘要
1 绪论
    1.1 研究背景及意义
    1.2 交通标志概述
    1.3 国内外研究现状
    1.4 交通标志检测难点
    1.5 本文的主要内容及论文组织
2 卷积神经网络与目标检测
    2.1 卷积神经网络
        2.1.1 深度学习介绍
        2.1.2 神经网络
        2.1.3 卷积神经网络的基本特征
        2.1.4 卷积神经网络的基本结构
    2.2 基于卷积神经网络的目标检测方法
        2.2.1 R-CNN
        2.2.2 Fast R-CNN
        2.2.3 Faster R-CNN
        2.2.4 YOLO
        2.2.5 SSD
    2.3 本章小结
3 基于样本均衡的交通标志检测
    3.1 引言
    3.2 Faster R-CNN
        3.2.1 特征提取网络
        3.2.2 RPN
        3.2.3 RoI pooling
        3.2.4 边框回归
        3.2.5 非极大值抑制
    3.3 基于透视变换的数据增强
        3.3.1 透视变换
        3.3.2 交通标志数据增强
    3.4 迁移学习
    3.5 均衡正负样本
    3.6 实验与分析
        3.6.1 实验环境
        3.6.2 实验数据集
        3.6.3 实验结果与分析
    3.7 本章小结
4 基于改进Faster R-CNN的交通标志检测
    4.1 引言
    4.2 算法改进描述
    4.3 基于HSV颜色空间的阈值分割
        4.3.1 颜色空间
        4.3.2 阈值分割
        4.3.3 连通区域标记
    4.4 残差Faster R-CNN
        4.4.1 残差网络
        4.4.2 使用残差网络的Faster R-CNN
    4.5 实验结果与分析
    4.6 本章小结
5 总结与展望
    5.1 工作总结
    5.2 研究展望
参考文献
附录
    A 作者在攻读学位期间发表的论文目录
    B 作者在攻读学位期间参加的科研项目
    C 学位论文数据集
致谢


【参考文献】：
期刊论文
[1]一种基于FCN的车道线检测算法[J]. 洪名佳,汪慧兰,黄娜君,戴舒.  无线电通信技术. 2018(06)
[2]基于Hough变换实现圆的快速检测方法[J]. 孙晓敏,朱晓春,周雯超,李冉冉.  制造业自动化. 2018(05)
[3]基于Lab颜色空间的花朵图像分割算法[J]. 王礼,方陆明,陈珣,吴超.  浙江万里学院学报. 2018(03)
[4]基于SIFT算法的交通标志识别方法研究[J]. 余泽东,黄妙华.  数字制造科学. 2018(01)
[5]基于主方向加权投票的非结构化道路消失点检测[J]. 潘奎刚,石朝侠.  计算机工程. 2017(12)
[6]基于深度卷积神经网络的道路场景理解[J]. 吴宗胜,傅卫平,韩改宁.  计算机工程与应用. 2017(22)
[7]基于OpenCV的前方车辆检测和前撞预警算法研究[J]. 刘军,高雪婷,王利明,晏晓娟.  汽车技术. 2017(06)
[8]基于YOLO网络的行人检测方法[J]. 高宗,李少波,陈济楠,李政杰.  计算机工程. 2018(05)
[9]基于深度学习方法的复杂场景下车辆目标检测[J]. 宋焕生,张向清,郑宝峰,严腾.  计算机应用研究. 2018(04)
[10]基于颜色空间和模板匹配的交通标志检测方法[J]. 郝博闻,梁宇峰,李文强,倪钰婷,温斯傲,刘展宁.  智能计算机与应用. 2016(04)

硕士论文
[1]基于深度学习的监控视频多目标追踪研究[D]. 李叶.华中科技大学 2017
[2]基于卷积神经网络的深度学习算法与应用研究[D]. 张效荣.西安电子科技大学 2015
[3]道路交通标志识别算法的研究[D]. 邵桂珠.吉林大学 2008



本文编号：3058008