基于深度学习的交通标志图像识别方法研究

发布时间：2021-10-01 05:20

　　随着国内汽车数量逐年递增,道路交通安全问题日益受到人们的重视。作为汽车高级辅助驾驶系统的重要组成单元,交通标志识别可以使汽车主动获取道路信息,从而对危险的驾驶行为进行提醒或制止。交通标志识别包含交通标志检测和交通标志分类两个部分,前者用来获取交通标志的位置信息,后者用来判定交通标志的具体类别。目前相关学者在交通标志识别方法的研究上已取得一定进展,然而由于交通标志目标小、种类多、所处环境复杂等因素,识别的精度仍有很大的提升空间。针对上述问题,本文对国内外已有研究成果进行了总结,在此基础上采用深度学习的方法来设计交通标志识别算法,主要工作有如下:（1）交通标志检测部分,基于候选区域的思想进行检测算法的设计。构造了多尺度卷积核的Res Ne Xt来作为检测算法的主干网络,并采用多层特征融合策略来提高小目标交通标志的检测精度。其次,提出了基于聚类的锚框生成策略来进一步降低交通标志的漏检与误检。最后,通过候选框筛选机制来改进非极大值抑制算法,从而提高整体检测算法的处理效率。（2）交通标志分类部分,构建了一种双路网络结构的交通标志分类算法,采用Mobile Net+Res Net50的双路网络结构... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

警告标志示意

重庆邮电大学硕士学位论文第2章交通标志识别相关技术原理8（2）禁令标志。禁令标志主要用于禁止车辆、驾驶员的某些交通行为，标志形状多为圆形，标志颜色大多为白色底色、红色边框与黑色图案，图2.2为常见的几种禁令标志示例。图2.2禁令标志示意（3）指示标志。指示标志主要提供道路的指向与行进信息，标志形状多为圆形或方形，标志颜色大多为蓝色底色、白色边框与白色图案，图2.3位常见的几种指示标志示例。图2.3指示标志示意2.1.2交通标志数据集截至目前，无论国外还是国内仍没有一个官方的、标准的交通标志数据集，许多研究人员都是在自己收集或是一些研究团队公开的数据集上进行实验。这其中，最为广泛使用的是用于分类的德国交通标志分类基准(GermanTrafficSignRecognitionBenchmark,GTSRB)[33]和用于检测的德国交通标志检测基准(GermanTrafficSignDetectionBenchmark,GTSDB)[34]，这两个数据集分别于2011年和2013年的InternationalJointConferenceonNeuralNetworks会议上被提出，主要用来给机器视觉、模式识别以及自动驾驶领域的研究人员评测交通标志检测与分类算法。然而由于每个国家的交通规则不尽相同，交通标志也都略有差异，采用GTSRB或GTSDB训练出的模型不具有泛用性，因此各个国家的研究人员也都制作并发布了自己国家的交通标志数据集，包括比利时交通标志数据集、美国圣迭戈交通标志数据集等。我国目前主要有中国交通标志检测基准(ChineseTrafficSignDetection

重庆邮电大学硕士学位论文第2章交通标志识别相关技术原理8（2）禁令标志。禁令标志主要用于禁止车辆、驾驶员的某些交通行为，标志形状多为圆形，标志颜色大多为白色底色、红色边框与黑色图案，图2.2为常见的几种禁令标志示例。图2.2禁令标志示意（3）指示标志。指示标志主要提供道路的指向与行进信息，标志形状多为圆形或方形，标志颜色大多为蓝色底色、白色边框与白色图案，图2.3位常见的几种指示标志示例。图2.3指示标志示意2.1.2交通标志数据集截至目前，无论国外还是国内仍没有一个官方的、标准的交通标志数据集，许多研究人员都是在自己收集或是一些研究团队公开的数据集上进行实验。这其中，最为广泛使用的是用于分类的德国交通标志分类基准(GermanTrafficSignRecognitionBenchmark,GTSRB)[33]和用于检测的德国交通标志检测基准(GermanTrafficSignDetectionBenchmark,GTSDB)[34]，这两个数据集分别于2011年和2013年的InternationalJointConferenceonNeuralNetworks会议上被提出，主要用来给机器视觉、模式识别以及自动驾驶领域的研究人员评测交通标志检测与分类算法。然而由于每个国家的交通规则不尽相同，交通标志也都略有差异，采用GTSRB或GTSDB训练出的模型不具有泛用性，因此各个国家的研究人员也都制作并发布了自己国家的交通标志数据集，包括比利时交通标志数据集、美国圣迭戈交通标志数据集等。我国目前主要有中国交通标志检测基准(ChineseTrafficSignDetection

【参考文献】：
期刊论文
[1]世界卫生组织发布《2018年全球道路安全现状报告》[J]. 张亚丽.  中华灾害救援医学. 2019(02)
[2]基于深度学习的交通标志识别[J]. 乔堃,顾晗洲,刘家铭.  信息技术与信息化. 2017(12)
[3]自然背景下交通标志牌的检测方法研究[J]. 郑挥,郭唐仪,王建博,朱周.  现代交通技术. 2017(03)
[4]基于显著图与傅里叶描述子的交通标志检测[J]. 余超超,侯进,侯长征.  计算机工程. 2017(05)
[5]基于颜色和形状的道路交通标志检测[J]. 谭兵,高歌,陈心睿.  现代商贸工业. 2017(13)
[6]一种改进的交通标志图像识别算法[J]. 徐岩,韦镇余.  激光与光电子学进展. 2017(02)
[7]基于PNN的退化交通标志图像的识别算法研究[J]. 李伦波,马广富.  电子与信息学报. 2008(07)

硕士论文
[1]基于深度神经网络的微小路标识别技术研究[D]. 钟传平.西南交通大学 2018



本文编号：3417235