基于深度学习的路标检测与识别方法研究

发布时间：2021-02-22 14:07

　　近年来以私家车为主的机动车辆逐渐成为了人们的主要代步工具,随之而来的是交通系统的巨大负担以及诸多安全问题。交通标志作为重要的道路安全设施,对它的检测与识别是智能交通系统的重要技术环节之一,越来越受到广大研究人员的关注。本文利用深度学习、机器学习以及图像处理等相关技术,有效地进行了以下几个方面的研究工作。传统的交通标志检测与识别方法中往往通过设计复杂的人工特征来完成交通标志的识别分类,识别准确率受限于人工特征的表达能力。基于此,本文提出了一种基于卷积神经网络的交通标志检测与识别方法。该方法首先采用颜色标准化结合显著性算法对图像进行预处理,有效增加交通标志区域与背景区域的对比度。然后使用最大极值稳定区域算法进行候选区域提取,并根据交通标志的形状特性设定几何约束条件对得到的候选区域进行筛选。最后通过多通路卷积神经网络进行特征提取,利用基于朴素贝叶斯的集成分类器完成最终的识别分类。经实验验证,卷积神经网络的应用可以显著提高识别准确率。道路场景中会出现光照强烈变化以及背景复杂的情况,上述方法在这种情况下完成交通标志检测与识别的方式较为低效。基于这个问题,本文提出了一种基于条件随机场的交通标志检测... 

【文章来源】：西安电子科技大学陕西省 211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】：

LeNet网络结构图

助于分析被试者在这种沉浸式虚拟环境下的眼动行为模式。（a）EyeLink 1000 （b）Dikablis （c）Tobbi Pro Glasses 2图2.4 眼动仪设备

提高了识别的准确率。3.2 基于卷积神经网络的交通标志的检测与识别图3.1 算法流程图基于卷积神经网络的交通标志的检测与识别算法的流程如图3.1所示，训练阶段，首先进行多通道的卷积神经网络的训练，然后通过该网络对训练数据进行卷积特征的提取，以这些特征向量作为输入，训练以朴素贝叶斯分类器（Naive Bayes，NB）作为基分类器的集成分类器；测试阶段，首先对待处理图像进行候选区域的提取，即根据路标颜色特性对图像进行红蓝颜色标准化，接着对标准化后的图像进行显著性处理，

【参考文献】：
期刊论文
[1]联合眼动和脑电的汽车工业设计用户体验评选[J]. 唐帮备,郭钢,王凯,林立,周婧,樊轩,许娜,郭小燕.  计算机集成制造系统. 2015(06)
[2]眼动仪与视线跟踪技术综述[J]. 赵新灿,左洪福,任勇军.  计算机工程与应用. 2006(12)

硕士论文
[1]基于图论的交通标志检测研究[D]. 郭嘉琦.北京交通大学 2015



本文编号：3046109