基于行车视频的道路交通标志识别研究与实现
发布时间：2021-11-28 13:08
道路交通标志的检测和识别是智能交通系统研究中的一项重要内容,实现交通标志的高效准确识别,可以为正常辅助驾驶系统提供保证,同时也为未来全面实现无人驾驶汽车系统提供了必要条件,具有较大的理论价值和应用前景。本文研究的课题是基于深度学习的方法对道路交通标志进行检测和识别,其最终的目标是可以在复杂交通场景中对交通标识进行检测和识别。行车视频很好的记录了行车过程中的真实交通场景,为此,本文以行车视频为研究材料,检测和识别行车视频序列图像中的交通标志。研究内容如下:（1）提出了一种在行车视频序列图像中检测和识别交通标志的算法,算法在对YOLOV3神经网络结构进行分析的基础上进行了部分结构的改进,使网络更适合行车视频序列图像中交通标志的检测和识别。算法将改进的YOLO-V3网络在交通场景图像数据集上进行训练,然后将训练好的网络作为检测网络,对行车视频图像逐帧检测,实现了行车视频中交通标志的自动检测和识别。（2）提出了一种基于多帧视频图像交通标志特征融合的交通标志检测与识别算法。该算法采用YOLO-V3网络检测首帧交通标志,采用局部特征匹配法搜索其他后续帧的交通标志采用VGG19网络的特征提取层提取特...
【文章来源】：南京邮电大学江苏省
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
我国使用的部分主交通标志模板样例
南京邮电大学专业学位硕士研究生学位论文第二章交通标志检测与识别基础理论13并行处理能力和自学习能力。卷积神经网络的研究最早开始于二十世纪80至90年代，时间延迟网络和LeNet-5被认为是最早出现的卷积神经网络。在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被广泛应用于计算机视觉、自然语言处理等领域。2.3.1卷积神经网络的结构卷积神经网络是一种特殊的多层前馈神经网络。标准的卷积神经网络一般由输入层，交替的卷积层和池化层，全连接层和输出层构成，如图2.3所示。其中，卷积层是由多个大小经过设计的卷积核构成，卷积核通过对输入图像的卷积操作，以此来提取输入图像的特征。池化层又被称为下采样层，通过池化操作，可以有效减少每层网络的数据，在一定程度上避免网络过拟合现象的发生。全连接层通常在卷积神经网络的尾部，全连接层和它前一层网络两层网络之间所有神经元都有权重连接，也就是跟传统的神经网络神经元的连接方式是一样的。全连接层将经过多个卷积层和池化层的图像特征进行整合，获取图像特征中具有的高层含义，之后用于图像分类。在卷积神经网络中，全连接层将卷积层产生的特征图映射成一个固定长度(一般为输入图像数据集中的图像类别数)的特征向量，这个特征向量包含了输入图像所有特征的组合信息，将图像中含有最具有特点的图像特征保留了下来，以此完成图像分类任务。卷积神经网络作为计算机视觉领域最成功的一种深度学习模型，在深度学习兴起之后已经通过不断演化产生了大量变种模型和许多优化网络的方法。图2.3卷积网络神经结构2.3.2卷积神经网络的卷积运算和池化操作图像卷积操作是是卷积神经网络提取图像特征的重要步骤，那么卷积神经网络是如何对图像进行卷?
南京邮电大学专业学位硕士研究生学位论文第二章交通标志检测与识别基础理论14核上的数值相乘，然后将所有相乘后的值相加作为卷积核中间像素对应的图像上像素的灰度值，并最终滑动完所有图像的过程。所以，当一个卷积核在一张图像上滑动结束后，我们得到了一幅新的图像，我们将得到的图像称为featuremap。一个卷积核的卷积过程，可以认为对图像进行了一种特征的提龋而在一个训练过程中，不仅仅需要提取一种特征。为了能够在训练过程中得到更多特征，需要采用多个卷积核来提取图像多个不同的特征。下图以一个5×5的图像，我们设计两个卷积核，经过卷积运算后特征图如图2.4所示。图2.4经过卷积运算后的特征图通过卷积运算获得了特征图(featuremap)之后,下一步要做的工作就是利用这些特征进行分类。为了简化计算量，我们通常使用池化函数处理这一过程。池化函数会对平面内某一位置及其相邻位置的特征值进行统计汇总，并且把汇总后的结果作为这一区域内的值。常用的方法有两种，一种是最大池化(MaxPooling)，另一种是平均池化(AveragePooling),最大池化是把这一区域内的最大值作为最后的输出结果，平均池化则是选择该范围内的平均值作为输出结果。112310312312212233327/45/427/4池化核为2*2步长为2无填充最大池化最大池化图2.5池化操作示意图如图2.5所示，上图使得4x4的特征图分为了四个部分，我们对每个不同颜色部分里进行池化得到了右边的值。类似于卷积函数中的卷积核，我们可以把每次执行池化操作的过程
【参考文献】：
期刊论文
[1]基于改进LeNet-5网络的交通标志识别方法[J]. 汪贵平,盛广峰,黄鹤,王会峰,王萍. 科学技术与工程. 2018(34)
[2]基于HSV空间和形状特征的交通标志检测识别研究[J]. 陈亦欣,叶锋,肖锋,李庆楠. 江汉大学学报(自然科学版). 2016(02)
[3]利用HOG-LBP自适应融合特征实现禁令交通标志检测[J]. 陈龙,潘志敏,毛庆洲,李清泉. 武汉大学学报(信息科学版). 2013(02)
[4]快速交通标志检测预处理方法[J]. 刘鑫,杨立敬,朱双东. 计算机工程与应用. 2010(29)
[5]基于多线索混合的交通标志检测与跟踪[J]. 王楠,刘威,陈雪,袁淮,刘积仁. 控制与决策. 2010(08)
[6]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)
硕士论文
[1]基于卷积神经网络的图像检测技术研究[D]. 李家兴.广东工业大学 2018
[2]基于深度学习的交通对象检测与识别[D]. 王贺璋.北京邮电大学 2018
[3]交通标志检测与识别算法研究[D]. 黄翠.山东大学 2014
[4]车载辅助系统中交通标志检测与识别技术研究[D]. 常卢峰.中南大学 2010
本文编号：3524484
【文章来源】：南京邮电大学江苏省
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
我国使用的部分主交通标志模板样例
南京邮电大学专业学位硕士研究生学位论文第二章交通标志检测与识别基础理论13并行处理能力和自学习能力。卷积神经网络的研究最早开始于二十世纪80至90年代，时间延迟网络和LeNet-5被认为是最早出现的卷积神经网络。在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被广泛应用于计算机视觉、自然语言处理等领域。2.3.1卷积神经网络的结构卷积神经网络是一种特殊的多层前馈神经网络。标准的卷积神经网络一般由输入层，交替的卷积层和池化层，全连接层和输出层构成，如图2.3所示。其中，卷积层是由多个大小经过设计的卷积核构成，卷积核通过对输入图像的卷积操作，以此来提取输入图像的特征。池化层又被称为下采样层，通过池化操作，可以有效减少每层网络的数据，在一定程度上避免网络过拟合现象的发生。全连接层通常在卷积神经网络的尾部，全连接层和它前一层网络两层网络之间所有神经元都有权重连接，也就是跟传统的神经网络神经元的连接方式是一样的。全连接层将经过多个卷积层和池化层的图像特征进行整合，获取图像特征中具有的高层含义，之后用于图像分类。在卷积神经网络中，全连接层将卷积层产生的特征图映射成一个固定长度(一般为输入图像数据集中的图像类别数)的特征向量，这个特征向量包含了输入图像所有特征的组合信息，将图像中含有最具有特点的图像特征保留了下来，以此完成图像分类任务。卷积神经网络作为计算机视觉领域最成功的一种深度学习模型，在深度学习兴起之后已经通过不断演化产生了大量变种模型和许多优化网络的方法。图2.3卷积网络神经结构2.3.2卷积神经网络的卷积运算和池化操作图像卷积操作是是卷积神经网络提取图像特征的重要步骤，那么卷积神经网络是如何对图像进行卷?
南京邮电大学专业学位硕士研究生学位论文第二章交通标志检测与识别基础理论14核上的数值相乘，然后将所有相乘后的值相加作为卷积核中间像素对应的图像上像素的灰度值，并最终滑动完所有图像的过程。所以，当一个卷积核在一张图像上滑动结束后，我们得到了一幅新的图像，我们将得到的图像称为featuremap。一个卷积核的卷积过程，可以认为对图像进行了一种特征的提龋而在一个训练过程中，不仅仅需要提取一种特征。为了能够在训练过程中得到更多特征，需要采用多个卷积核来提取图像多个不同的特征。下图以一个5×5的图像，我们设计两个卷积核，经过卷积运算后特征图如图2.4所示。图2.4经过卷积运算后的特征图通过卷积运算获得了特征图(featuremap)之后,下一步要做的工作就是利用这些特征进行分类。为了简化计算量，我们通常使用池化函数处理这一过程。池化函数会对平面内某一位置及其相邻位置的特征值进行统计汇总，并且把汇总后的结果作为这一区域内的值。常用的方法有两种，一种是最大池化(MaxPooling)，另一种是平均池化(AveragePooling),最大池化是把这一区域内的最大值作为最后的输出结果，平均池化则是选择该范围内的平均值作为输出结果。112310312312212233327/45/427/4池化核为2*2步长为2无填充最大池化最大池化图2.5池化操作示意图如图2.5所示，上图使得4x4的特征图分为了四个部分，我们对每个不同颜色部分里进行池化得到了右边的值。类似于卷积函数中的卷积核，我们可以把每次执行池化操作的过程
【参考文献】：
期刊论文
[1]基于改进LeNet-5网络的交通标志识别方法[J]. 汪贵平,盛广峰,黄鹤,王会峰,王萍. 科学技术与工程. 2018(34)
[2]基于HSV空间和形状特征的交通标志检测识别研究[J]. 陈亦欣,叶锋,肖锋,李庆楠. 江汉大学学报(自然科学版). 2016(02)
[3]利用HOG-LBP自适应融合特征实现禁令交通标志检测[J]. 陈龙,潘志敏,毛庆洲,李清泉. 武汉大学学报(信息科学版). 2013(02)
[4]快速交通标志检测预处理方法[J]. 刘鑫,杨立敬,朱双东. 计算机工程与应用. 2010(29)
[5]基于多线索混合的交通标志检测与跟踪[J]. 王楠,刘威,陈雪,袁淮,刘积仁. 控制与决策. 2010(08)
[6]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)
硕士论文
[1]基于卷积神经网络的图像检测技术研究[D]. 李家兴.广东工业大学 2018
[2]基于深度学习的交通对象检测与识别[D]. 王贺璋.北京邮电大学 2018
[3]交通标志检测与识别算法研究[D]. 黄翠.山东大学 2014
[4]车载辅助系统中交通标志检测与识别技术研究[D]. 常卢峰.中南大学 2010
本文编号：3524484
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3524484.html
最近更新
教材专著
