交通标志识别及其目标检测深度学习算法研究
发布时间：2021-02-25 05:46
随着城市化进程的不断加快,城市道路愈发拥挤,交通事故更是频频发生,因此,以交通标志识别为基础的智能交通系统成为一个研究热点。传统交通标志识别方法存在特征单一,容易受到环境的干扰,人工提取特征的过程复杂,模型泛化能力不强。针对以上问题,本文提出利用智能算法构建交通标志识别模型。论文基于深度学习中的卷积神经网络,以德国交通标志数据集（GTSRB）和中国交通标志检测数据集（CCTSDB）为载体,对交通标志图像识别分类和交通标志检测进行研究。目标检测问题比目标分类更加复杂,而目标识别是目标检测的基础,所以本文选择先研究目标分类,然后进一步研究目标检测。与传统方法相结合,在一维卷积的基础上设计了CNN-Squeeze轻量化模型;在深层网络的构建中,改进Inception模块组建多通道融合加权模型SE-inception,完成通用型深层卷积网络,显著的提高了在交通标志的识别准确率;交通标志目标检测算法是在深层卷积网络识别分类的基础上对目标进行定位,本文提出了一种新的目标检测模型,并在交通标志数据集上完成了仿真研究。首先,在对卷积神经网络深入研究的基础上,把传统的图像预处理、直方图特征和图像聚类方法...
【文章来源】：燕山大学河北省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
CNN-Squeeze网络交通标志识别流程图
第 2 章 CNN 融合 HOG 的交通标志图像识别模型设计与仿真兴趣区域，不仅可以减少图像样本中无用信息的干扰，还可以强化，减少运算复杂度，算法流程如下：于 K-均值，对样本图像进行聚类，并将聚类结果映射到所有数据取待切割图像R ，统一像素大小为 64×64，并灰度化。取感兴趣区域2R ，原始图像R 与模板Q像素点对应位置做点乘运域2R ，模板Q包括1Q 三角和2Q 圆模板，2R 切割过程如式（2-3）2R f ( R,Q ) R.*Q述算法提取图像感兴趣区域，切割效果如图 2-2 所示。
2R f ( R,Q ) R.*Q提取图像感兴趣区域，切割效果如图 2-2 所示。图 2-2 感兴趣区域切割景下，车载摄像头观察到的交通标志可能会存在旋相应旋转，导致切割出的感兴趣区域2R 会有部分缺别造成的影响，在图像训练预处理的同时对训练数据算法有效性上，对测试数据人为的增大图像旋转角 所示。
【参考文献】：
期刊论文
[1]基于残差单发多框检测器模型的交通标志检测与识别[J]. 张淑芳,朱彤. 浙江大学学报(工学版). 2019(05)
[2]一种改进的交通标志检测方法[J]. 黄尚安,董超俊,林庚华,甄俊杰. 现代计算机(专业版). 2019(06)
[3]基于语义DCNN特征融合的细粒度车型识别模型[J]. 杨娟,曹浩宇,汪荣贵,薛丽霞. 计算机辅助设计与图形学学报. 2019(01)
[4]深度强化学习理论及其应用综述[J]. 万里鹏,兰旭光,张翰博,郑南宁. 模式识别与人工智能. 2019(01)
[5]基于聚类分析的多特征融合遥感图像场景分类[J]. 林艺阳,李士进,孟朝晖. 电子测量技术. 2018(22)
[6]深度学习研究综述[J]. 张荣,李伟平,莫同. 信息与控制. 2018(04)
[7]基于改进SSD的轻量化小目标检测算法[J]. 吴天舒,张志佳,刘云鹏,裴文慧,陈红叶. 红外与激光工程. 2018(07)
[8]目标检测算法研究综述[J]. 方路平,何杭江,周国民. 计算机工程与应用. 2018(13)
[9]基于轻量型卷积神经网络的图像识别[J]. 杨远飞,曾上游,周悦,冯燕燕,潘兵. 电视技术. 2018(03)
[10]基于卷积神经网络的随机梯度下降算法[J]. 王功鹏,段萌,牛常勇. 计算机工程与设计. 2018(02)
硕士论文
[1]交通标志检测与识别算法的研究[D]. 阎法典.哈尔滨工业大学 2017
[2]基于形状模板匹配的实时目标检测与跟踪算法研究[D]. 任菲菲.华中科技大学 2017
本文编号：3050538
【文章来源】：燕山大学河北省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
CNN-Squeeze网络交通标志识别流程图
第 2 章 CNN 融合 HOG 的交通标志图像识别模型设计与仿真兴趣区域，不仅可以减少图像样本中无用信息的干扰，还可以强化，减少运算复杂度，算法流程如下：于 K-均值，对样本图像进行聚类，并将聚类结果映射到所有数据取待切割图像R ，统一像素大小为 64×64，并灰度化。取感兴趣区域2R ，原始图像R 与模板Q像素点对应位置做点乘运域2R ，模板Q包括1Q 三角和2Q 圆模板，2R 切割过程如式（2-3）2R f ( R,Q ) R.*Q述算法提取图像感兴趣区域，切割效果如图 2-2 所示。
2R f ( R,Q ) R.*Q提取图像感兴趣区域，切割效果如图 2-2 所示。图 2-2 感兴趣区域切割景下，车载摄像头观察到的交通标志可能会存在旋相应旋转，导致切割出的感兴趣区域2R 会有部分缺别造成的影响，在图像训练预处理的同时对训练数据算法有效性上，对测试数据人为的增大图像旋转角 所示。
【参考文献】：
期刊论文
[1]基于残差单发多框检测器模型的交通标志检测与识别[J]. 张淑芳,朱彤. 浙江大学学报(工学版). 2019(05)
[2]一种改进的交通标志检测方法[J]. 黄尚安,董超俊,林庚华,甄俊杰. 现代计算机(专业版). 2019(06)
[3]基于语义DCNN特征融合的细粒度车型识别模型[J]. 杨娟,曹浩宇,汪荣贵,薛丽霞. 计算机辅助设计与图形学学报. 2019(01)
[4]深度强化学习理论及其应用综述[J]. 万里鹏,兰旭光,张翰博,郑南宁. 模式识别与人工智能. 2019(01)
[5]基于聚类分析的多特征融合遥感图像场景分类[J]. 林艺阳,李士进,孟朝晖. 电子测量技术. 2018(22)
[6]深度学习研究综述[J]. 张荣,李伟平,莫同. 信息与控制. 2018(04)
[7]基于改进SSD的轻量化小目标检测算法[J]. 吴天舒,张志佳,刘云鹏,裴文慧,陈红叶. 红外与激光工程. 2018(07)
[8]目标检测算法研究综述[J]. 方路平,何杭江,周国民. 计算机工程与应用. 2018(13)
[9]基于轻量型卷积神经网络的图像识别[J]. 杨远飞,曾上游,周悦,冯燕燕,潘兵. 电视技术. 2018(03)
[10]基于卷积神经网络的随机梯度下降算法[J]. 王功鹏,段萌,牛常勇. 计算机工程与设计. 2018(02)
硕士论文
[1]交通标志检测与识别算法的研究[D]. 阎法典.哈尔滨工业大学 2017
[2]基于形状模板匹配的实时目标检测与跟踪算法研究[D]. 任菲菲.华中科技大学 2017
本文编号：3050538
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3050538.html
