基于卷积神经网络的交通标志检测识别算法设计与FPGA验证
发布时间：2021-06-09 12:36
随着经济社会的发展,人民的生活水平有了极大提高,汽车已经进入了千家万户,由此带来的交通安全和交通堵塞问题日益严重。车载交通标志检测识别系统作为智能交通系统（Intelligent Transportation System,ITS）的一部分已经得到了智慧交通研究者重视,相较于传统检测识别方法,基于卷积神经网络的交通标志检测识别算法在可扩展性和鲁棒性方面具有很大的优势,但其在准确性、计算量和存储空间等方面仍具有极大的优化空间。本文先简单介绍了交通标志检测识别领域几种典型的算法,对比分析了各自的优缺点。选用了检测速度高且适合硬件加速的YOLOv2-tiny卷积神经网络作为优化的基础,针对其对小目标检测效果差的缺点,设计了一种多尺度特征融合的卷积神经网络交通标志检测识别算法。为了验证算法效果,再以清华-腾讯公开交通标志数据集为对象,对设计的两种特征不同特征尺度的神经网络加上YOLOv2-tiny共三种网络进行训练和分析。实验结果表明,特征尺度多的网络对小目标的检测识别效果有了显著提升。最后设计了算法FPGA验证系统,通过利用卷积神经节点内并行、卷积神经节点间并行和特征参数重用的方式,实现了一...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
Tsinghu-Tencent100K数据集交通标志图
第三章基于CNN的交通标志检测识别算法设计27片的ID号、文件路径和各种标注信息。由于原始数据集中包含大量样本数较少的类别，为了便于后续算法实现，本文对数据集类别进行了筛选保留的数据集样本数量如图3.8所示，其中io、po和wo三类交通标志为混合交通标志，不利于检测识别效果评估将其删除，因此本论文仅选用剩余的43类作为样本用于后续网络训练。图3.8原始数据集样本分布图由于数据集中各个样本分布不均，本论文在训练前对数据集中的训练集采用了文献[27]中的数据增强技术，通过对样本数据随机旋转、放大和裁剪等处理扩充训练数据，最后将扩充数据集制作成darknet学习框架模型训练所需的VOC2012数据集格式。数据集部分样本如图3.9所示。(a)训练数据集部分图片示例(b)测试数据集部分图片示例图3.9数据集部分样本图网络训练本论文网络训练环境为DELL工作站，其配备了18块E5-2697v4@2.30GHzCPU、4块NVIDIA
纳瓒ê屯?缃峁沟牡髡?赿arknet学习框架中的cfg文件中设置。训练过程中要到的shell命令如表3.3所示，shell指令1、2和3分别用于训练、验证和网络效果评估，其中<voc.data文件路径>、<cfg文件路径>和<weights文件路径>用于指定训练、测试或评估所需参数文件的路径。表3.3网络模型训练shell指令>>指令1./darknetdetectortrain<voc.data文件路径><cfg文件路径>>>指令2./darknetdetectortest<voc.data文件路径><cfg文件路径><weights文件路径>>>指令3./darknetdetectorvaild<voc.data文件路径><cfg文件路径><weights文件路径>图3.10网络训练过程输出图网络训练输出如图3.10所示，一个批次中输出8轮数据，每轮输出128/8=16个样本的训练数据，AvgIOU为预测框和标签文件中对应实际框的交并集比，用于评估预测框检测的准确性；class为标注物体分类的置信度，期望输出为1；obj/noobj分别为包含物体和不包含物体的概率；AvgRecall在recall/count中定义，其为当前模型在所有subdivision图片中检测出正样本与实际的正样本的比值；1962为当前的迭代次数；avg和rate分别为当前的总损失和学习率大校
【参考文献】：
期刊论文
[1]一种基于FPGA的卷积神经网络加速器的设计与实现[J]. 张榜,来金梅. 复旦学报(自然科学版). 2018(02)
[2]道路交通运输安全发展报告（2017）[J]. Matthias Gsul,胡予红,周旋,宁丙文,米建英,刘佳,王光远,王静,董晨,张露丹. 中国应急管理. 2018(02)
[3]交通标志检测研究综述[J]. 温斯傲,李志民,郝博闻,倪钰婷,钟玲. 智能计算机与应用. 2016(03)
[4]基于Hough变换圆检测的人眼定位方法改进[J]. 刘念,苏杭,郭纯宏,周静. 计算机工程与设计. 2011(04)
[5]一种多通道融合的交通标志检测方法[J]. 沙莎,肖学钢. 计算机工程. 2009(06)
[6]三角形交通标志的智能检测方法[J]. 朱双东,张懿,陆晓峰. 中国图象图形学报. 2006(08)
[7]基于RGB视觉模型的交通标志分割[J]. 黄志勇,孙光民,李芳. 微电子学与计算机. 2004(10)
[8]形态骨架匹配算法及其在交通标志识别中的应用[J]. 蒋刚毅,郑义. 电路与系统学报. 1996(03)
博士论文
[1]基于机器视觉的先进辅助驾驶系统关键技术研究[D]. 范延军.东南大学 2016
[2]交通标志检测与分类算法研究[D]. 王刚毅.哈尔滨工业大学 2013
[3]基于FPGA的卷积神经网络并行结构研究[D]. 陆志坚.哈尔滨工程大学 2013
硕士论文
[1]基于特征融合与稀疏编码的交通标志识别算法研究[D]. 江钧.北京交通大学 2016
[2]基于不变矩和小波神经网络的交通标志识别研究[D]. 吕瑾文.武汉理工大学 2009
本文编号：3220589
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
Tsinghu-Tencent100K数据集交通标志图
第三章基于CNN的交通标志检测识别算法设计27片的ID号、文件路径和各种标注信息。由于原始数据集中包含大量样本数较少的类别，为了便于后续算法实现，本文对数据集类别进行了筛选保留的数据集样本数量如图3.8所示，其中io、po和wo三类交通标志为混合交通标志，不利于检测识别效果评估将其删除，因此本论文仅选用剩余的43类作为样本用于后续网络训练。图3.8原始数据集样本分布图由于数据集中各个样本分布不均，本论文在训练前对数据集中的训练集采用了文献[27]中的数据增强技术，通过对样本数据随机旋转、放大和裁剪等处理扩充训练数据，最后将扩充数据集制作成darknet学习框架模型训练所需的VOC2012数据集格式。数据集部分样本如图3.9所示。(a)训练数据集部分图片示例(b)测试数据集部分图片示例图3.9数据集部分样本图网络训练本论文网络训练环境为DELL工作站，其配备了18块E5-2697v4@2.30GHzCPU、4块NVIDIA
纳瓒ê屯?缃峁沟牡髡?赿arknet学习框架中的cfg文件中设置。训练过程中要到的shell命令如表3.3所示，shell指令1、2和3分别用于训练、验证和网络效果评估，其中<voc.data文件路径>、<cfg文件路径>和<weights文件路径>用于指定训练、测试或评估所需参数文件的路径。表3.3网络模型训练shell指令>>指令1./darknetdetectortrain<voc.data文件路径><cfg文件路径>>>指令2./darknetdetectortest<voc.data文件路径><cfg文件路径><weights文件路径>>>指令3./darknetdetectorvaild<voc.data文件路径><cfg文件路径><weights文件路径>图3.10网络训练过程输出图网络训练输出如图3.10所示，一个批次中输出8轮数据，每轮输出128/8=16个样本的训练数据，AvgIOU为预测框和标签文件中对应实际框的交并集比，用于评估预测框检测的准确性；class为标注物体分类的置信度，期望输出为1；obj/noobj分别为包含物体和不包含物体的概率；AvgRecall在recall/count中定义，其为当前模型在所有subdivision图片中检测出正样本与实际的正样本的比值；1962为当前的迭代次数；avg和rate分别为当前的总损失和学习率大校
【参考文献】：
期刊论文
[1]一种基于FPGA的卷积神经网络加速器的设计与实现[J]. 张榜,来金梅. 复旦学报(自然科学版). 2018(02)
[2]道路交通运输安全发展报告（2017）[J]. Matthias Gsul,胡予红,周旋,宁丙文,米建英,刘佳,王光远,王静,董晨,张露丹. 中国应急管理. 2018(02)
[3]交通标志检测研究综述[J]. 温斯傲,李志民,郝博闻,倪钰婷,钟玲. 智能计算机与应用. 2016(03)
[4]基于Hough变换圆检测的人眼定位方法改进[J]. 刘念,苏杭,郭纯宏,周静. 计算机工程与设计. 2011(04)
[5]一种多通道融合的交通标志检测方法[J]. 沙莎,肖学钢. 计算机工程. 2009(06)
[6]三角形交通标志的智能检测方法[J]. 朱双东,张懿,陆晓峰. 中国图象图形学报. 2006(08)
[7]基于RGB视觉模型的交通标志分割[J]. 黄志勇,孙光民,李芳. 微电子学与计算机. 2004(10)
[8]形态骨架匹配算法及其在交通标志识别中的应用[J]. 蒋刚毅,郑义. 电路与系统学报. 1996(03)
博士论文
[1]基于机器视觉的先进辅助驾驶系统关键技术研究[D]. 范延军.东南大学 2016
[2]交通标志检测与分类算法研究[D]. 王刚毅.哈尔滨工业大学 2013
[3]基于FPGA的卷积神经网络并行结构研究[D]. 陆志坚.哈尔滨工程大学 2013
硕士论文
[1]基于特征融合与稀疏编码的交通标志识别算法研究[D]. 江钧.北京交通大学 2016
[2]基于不变矩和小波神经网络的交通标志识别研究[D]. 吕瑾文.武汉理工大学 2009
本文编号：3220589
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3220589.html
最近更新
教材专著
