基于卷积神经网络的交通标志检测和识别算法研究

发布时间：2020-06-23 16:15

【摘要】：在车辆无人驾驶和辅助驾驶的领域中,交通标志检测、识别相关的算法是其重要的研究课题,这些算法在性能上的好坏直接影响机动车在道路交通中的行驶安全。尤其是智能化浪潮下的今天,怎样做到交通标志检测、识别的准确性、实时性、稳定性和抗干扰性,一直都是重点的研究内容。本文研究的课题是使用“CNN卷积神经网络”的方法,来做交通标志检测、识别相关算法的研究,重点研究如下:(1)提出了一种基于改进SSD网络模型的交通标志检测算法。原SSD模型对交通标志这样小目标的检测会出现性能下降的问题。首先,通过CNN中的“感受野”分析了相关原因,认为原模型顶部相关的网络层对局部和细节特征的提取能力不足才导致此问题的发生;针对相关原因,提出改进方法:对原模型添加“特征融合模块”,显著提高了原模型对交通标志这样小目标的检测性能;将原模型中的部分网络层替换为“改进的Inception网络层”,可以最小化模型的计算成本,保持原模型“快速检测”的优点,且多尺度卷积核数量的增加,进一步提高了交通标志检测的性能;还优化了原模型中额外层的结构,继续降低了模型计算的参数量。在GTSDB公共数据集上做相关实验,改进方法的mAP值达到了0.894,解决了此前原模型出现性能下降的问题。(2)提出了一种基于ResNet残差网络模型的交通标志识别方法。首先,通过“角度旋转”的方式对数据集进行扩容,避免了模型训练过程中过度拟合问题的发生;其次,将数据集图片转换为“YUV颜色空间”,YUV相比RGB颜色空间会让网络模型提取的特征更加有效,进一步提高模型的分类精度;设计了一种“六块结构的ResNet残差网络模型”用于交通标志的识别,其可以提取更深层次的特征,并防止它们被过度使用;最终,将数据集进入设计的模型中训练、测试,在GTSRB公共数据集上做相关实验,提出方法的测试精度达到了99.72%,优于目前众多的方法。
【学位授予单位】：五邑大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183;U463.6
【图文】：

交通标志,示例,状况

交通标志通常会被安放在道路两边或者道路正上方。从交通标志的位置上来讲，其并不在驾驶员的正前方，故驾驶员很容易忽视标志的存在，这样就会对驾驶车辆造成极大的危险。TSR 系统就能够很好地辅助司机的驾驶行为，还能够在危险时刻自动控制车辆防范相关风险。从未来机动车的研究方向上来说，一定是偏向无人驾驶的研究。TSR 系统能够车联实时接收道路交通标志的信息，迅速切换驾驶模式、驾驶速度等参数，可以说 TSR 系统是车辆无人驾驶系统中最为重要的子系统之一。当前，交通标志识别还面临一些严峻的挑战：（1）由于交通标志长期处于无遮挡的环境中，故标志很容易出现颜色脱落，标志污损的状况；（2）由于交通标志的识别是通过相机进行拍摄采集，故光照强度、雨雪和雾霾等天气状况都会对采集的图像造成较大的影响；（3）由于交通标志的采集都是在汽车的行驶中完成，故行驶中颠簸的汽车还会造成采集到的交通标志图像存在运动模糊和歪斜的状况。如图 1-1 所示：

边缘信息

1-2 TSR 系统的三个-2 Three parts of the 人提出 ADIS 系parking”这个交通边缘信息进行边出了一整套较为ture Code”来分隔要 4.2s，识别交通出了一种新的交的检测，利用“模

【相似文献】