基于集成卷积神经网络的交通标志识别研究

发布时间：2021-03-10 17:45

　　交通标志识别是智能交通系统和无人驾驶技术的重要组成部分。交通标志识别系统需要对实际行车环境中通过车载摄像头采集到的交通标志进行识别。受实际行车环境中光照强度、行车速度、交通标志牌受损等多种因素影响,所采集到的交通标志图像质量往往较差,给后续的识别带来极大的困难,因此对交通标志识别方法的研究具有极大的挑战和重要意义。本文以德国交通标志数据集（German Traffic Sign Recognition Benchmark,GTSRB）为研究对象,利用卷积神经网络（Convolutional Neural Network,CNN）对交通标志识别做了深入研究,并将卷积神经网络和集成学习相结合对交通标志识别做进一步研究。本文的主要工作如下:1.针对实际行车环境中采集到的交通标志图像特点,为减轻卷积神经网络的识别负担和提高识别率,本文对GTSRB数据集做一系列预处理操作。主要步骤包括图像增强、图像灰度化、尺寸归一化、数据集扩展。经过预处理后的GTSRB数据集有助于后续卷积神经网络的识别。2.本文对卷积神经网络做了深入研究,并设计了一个卷积神经网络模型CNN-SVM用于识别交通标志图像。该卷积神... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

神经细胞

y f net 式表示，X 表示神经元的输入向量，W 表示 0 1 2, , , ,nX x x x x012nwwww W 量相乘的方式来简化式(2.1)和(2.2)，用来表y f XW

y f XW 图 2.2 人工神经元模型成人工神经网络的基本单元，将若干个神经元按箭头方向前一个神经元的输出作为后一个神经元就是人工神经网络。人工神经网络的大致模型如

【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]一种基于PHOG特征的SVM的交通标志识别方法[J]. 张丽艳,张伟,龙美芳.  电脑知识与技术. 2018(27)
[3]基于Gabor特征提取和SVM交通标志识别方法研究[J]. 张传伟,崔万豪.  现代电子技术. 2018(17)
[4]基于CNN多层特征和ELM的交通标志识别[J]. 孙伟,杜宏吉,张小瑞,赵玉舟,杨翠芳.  电子科技大学学报. 2018(03)
[5]基于SIFT算法的交通标志识别方法研究[J]. 余泽东,黄妙华.  数字制造科学. 2018(01)
[6]ReLU激活函数优化研究[J]. 蒋昂波,王维维.  传感器与微系统. 2018(02)
[7]基于颜色-几何形状建模的道路交通标志识别技术的研究[J]. 崔盼,张荣辉.  物联网技术. 2017(03)
[8]基于二级改进LeNet-5的交通标志识别算法[J]. 党倩,马苗,陈昱莅.  陕西师范大学学报(自然科学版). 2017(02)
[9]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[10]卷积神经网络的研究进展综述[J]. 杨斌,钟金英.  南华大学学报(自然科学版). 2016(03)

硕士论文
[1]基于多尺度卷积神经网络的交通标志识别方法[D]. 田正鑫.长安大学 2017
[2]交通标志识别算法研究[D]. 曹奥阳.北京交通大学 2017
[3]基于图像处理的车牌识别系统的研究[D]. 白璐.长安大学 2010



本文编号：3075026