基于深度学习的非限定性路牌识别研究
发布时间：2020-10-11 03:41
随着汽车的普及,辅助驾驶技术渐渐地受到了广泛关注。辅助驾驶技术可以获取当前路况信息,提醒驾驶者需要注意的交通路况,帮助驾驶者规避发生车祸的风险。为了正确快速的感知道路情况,获取交通标志牌的信息是必不可少的。传统的交通标志检测算法有诸多限制,对自然环境下车辆行驶中的交通标志检测效果不佳。本文是基于区域推荐网络的深度学习目标检测模型,在非限定性条件下对交通标志进行检测,更适合用于自然场景下的辅助驾驶技术。本文首先从交通标志数据集入手,针对国内缺少统一的交通标志数据集问题,在非限定性条件下采集了交通标志图像,制作了数据集并进行了预处理和扩充。本文制作的数据集都是在非限定性的条件下拍摄的,背景复杂多变,更符合实际情况。其次本文从模型检测准确度和检测速度两个方面进行研究。为了提高模型的准确度,通过对特征提取网络的对比分析,选择了对交通标志提取能力更好的VGG-16网络,作为本文的特征提取网络。并在此基础上,使用K-Means++聚类算法对数据集中的人工标注框进行了聚类分析,根据聚类结果选择出最合适的锚框个数和尺寸,提高了网络准确度。为了解决对面积占比较小的交通标志容易出现漏检的问题,本文提出了多层特征融合策略。通过合并特征提取网络中的第三层和第五层的卷积特征,既保留了网络对图像整体信息的表达能力,又增加了图像的细节特征,有效的解决了小交通标志的漏检问题。通过以上方法有效的提高了交通标志检测模型的准确度。在缩短模型检测时间上,本文使用了深度可分离卷积对模型进行压缩,对卷积核进行分离操作。在不影响模型准确度的情况下,有效的降低了模型的参数量,缩短了模型的检测时间。通过本文研究,从模型的准确度和检测时间两个方面着手,在不增加模型检测时间的基础上有效的提高了模型的准确度。使得最终的检测模型可以应用于非限定性条件下的交通标志识别和检测,不会受到多变的天气、复杂的背景、路牌的损坏以及其他因素的影响。图 [47] 表 [6] 参 [81]
【学位单位】：安徽理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP18;U463.6
【部分图文】：
安徽理工大学硕士学位论文( 0,1) 之间，很容易将Sigmoid函数与概率问题联系起来。因此Sigmoi型输出，标识分类的概率。Sigmoid函数的数学形式是如公式2-8所示( )11xf xe +义域内处处可导且其导数为公式2-9：f ' ( x ) f ( x ) (1 f ( x))oid 函数图像如图 2-6 所示：
图2-7Tanh函数Fig 2-7 Tanh function）ReLU函数网络层数的加深，在进行反向传播时，前几层的网路导数太小或者接近为 消失现象。如下图2-8所示，ReLU函数是一个分段函数，定义域为 为 0, + )，并且其导数恒为1。这样在进行反向传播时，不会像 Sigmoid 函散现象，这也更加符合生物神经之间的传播特性。定义域为( ,0)时，将所为0。这样的映射方式被称为单侧映射（单侧抑制），使得网络具有了稀疏性据输入值的正负，将一部分的神经元的输出强制归为 0，使得神经元之间的紧密，太紧密的连接往往使得网络冗余，这样具有一定的正则化效果。相对于以上两种激活函数（Sigmoid和Tanh），ReLu函数加快了网络的迭代为导数太小而出现的梯度弥散现象，也增加了网络的拟合能力。
图2-8ReLU函数Fig 2-8 ReLU functionpout 正则化学习的模型中，如果模型的参数太多且训练样本又太少，则模型容易过对训练集有很好的拟合，但缺少泛化能力，对验证集的拟合误差太大。得到较小的损失，导致模型训练失败，如图 2-9 所示。模型过拟合是训的现象，Dropout正则化便是为了解决这一问题而被提出的[67-69]。训练集验证集误差
【参考文献】
本文编号：2836005
【学位单位】：安徽理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP18;U463.6
【部分图文】：
安徽理工大学硕士学位论文( 0,1) 之间，很容易将Sigmoid函数与概率问题联系起来。因此Sigmoi型输出，标识分类的概率。Sigmoid函数的数学形式是如公式2-8所示( )11xf xe +义域内处处可导且其导数为公式2-9：f ' ( x ) f ( x ) (1 f ( x))oid 函数图像如图 2-6 所示：
图2-7Tanh函数Fig 2-7 Tanh function）ReLU函数网络层数的加深，在进行反向传播时，前几层的网路导数太小或者接近为 消失现象。如下图2-8所示，ReLU函数是一个分段函数，定义域为 为 0, + )，并且其导数恒为1。这样在进行反向传播时，不会像 Sigmoid 函散现象，这也更加符合生物神经之间的传播特性。定义域为( ,0)时，将所为0。这样的映射方式被称为单侧映射（单侧抑制），使得网络具有了稀疏性据输入值的正负，将一部分的神经元的输出强制归为 0，使得神经元之间的紧密，太紧密的连接往往使得网络冗余，这样具有一定的正则化效果。相对于以上两种激活函数（Sigmoid和Tanh），ReLu函数加快了网络的迭代为导数太小而出现的梯度弥散现象，也增加了网络的拟合能力。
图2-8ReLU函数Fig 2-8 ReLU functionpout 正则化学习的模型中，如果模型的参数太多且训练样本又太少，则模型容易过对训练集有很好的拟合，但缺少泛化能力，对验证集的拟合误差太大。得到较小的损失，导致模型训练失败，如图 2-9 所示。模型过拟合是训的现象，Dropout正则化便是为了解决这一问题而被提出的[67-69]。训练集验证集误差
【参考文献】
相关期刊论文 前10条
1 黄琳;张尤赛;;应用深层卷积神经网络的交通标志识别[J];现代电子技术;2015年13期
2 杨英;刘卫国;钟令;李亚文;;基于AdaBoost行人检测优化算法的研究[J];机电工程;2014年10期
3 吕国豪;罗四维;黄雅平;蒋欣兰;;基于卷积神经网络的正则化方法[J];计算机研究与发展;2014年09期
4 常发亮;黄翠;刘成云;赵永国;马传峰;;基于高斯颜色模型和SVM的交通标志检测[J];仪器仪表学报;2014年01期
5 衡浩;熊惠霖;;复杂动态场景下基于道路平面提取的行人检测[J];计算机仿真;2013年09期
6 高晶;吴育峰;吴昆;孙继银;;基于角点检测的图像匹配算法[J];仪器仪表学报;2013年08期
7 刘华平;李建民;胡晓林;孙富春;;动态场景下的交通标识检测与识别研究进展[J];中国图象图形学报;2013年05期
8 孙志军;薛磊;许阳明;王正;;深度学习研究综述[J];计算机应用研究;2012年08期
9 刘建伟;李双成;罗雄麟;;p范数正则化支持向量机分类算法[J];自动化学报;2012年01期
10 马宗方;程咏梅;潘泉;王慧琴;;基于颜色模型和稀疏表示的图像型火焰探测[J];光子学报;2011年08期
本文编号：2836005
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2836005.html
