智能驾驶系统的交通标志识别技术研究
发布时间：2021-11-13 05:58
随着深度学习技术快速发展,基于深度学习技术的自动驾驶技术如今成为科研人员最热门的研究之一。交通标志图像识别是当今自动驾驶中需要解决的主要问题。随着神经网络在商业化的应用,卷积神经网络越来越成为解决这类问题的首选方法。常见的卷积神经网络诸如R-CNN,Fast R-CNN并没有很好的细粒度图像处理能力,缺少对于图像特征点的具体分析。本文提出对于该类问题可以从图像的细粒度角度入手,采用对于细粒度敏感的RA-CNN算法,增强其对于复杂图像的识别能力。本文采用的了基于注意力机制的RA-CNN算法与基于优化的VGG19网络结构,在保证VGG19原有性能的基础上,对其进行轻量级优化,将其优化为9层网络结构,增强其模型收敛速度,同时使用Re LU函数做为网络模型的激活函数。本文训练集与测试集均选自于CCTSDB数据库中常见的交通标志图像,在训练与验证前事先通过对图像进行预处理操作如降噪,二值化,来增强图像表达信息的能力。在进行预处理完毕后,将图像导入Tensor Flow平台进行训练,最后采用测试集来测试模的实际表现力。实验结果显示,本文最终训练出的模型相对于传统的支持向量机等方案更加优秀,对于简单...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
原始路标图像
浙江省硕士学位论文8正态曲线标准差如图2.1所示：图2.1正态曲线标准差示意图在2.1图中，高斯正态分布曲线整体呈现出拱桥形状，即在拱桥中心，曲线的值将接近于最大，同时越远离拱桥的中心，其拱桥部取值将越校在正态曲线中计算平均值的情况下，需要将曲线中拱桥凸起部分作为其取值的零点，而对于其他取值点则应该分别按照其在拱桥曲线上所在的定位，分别对其分配各自的占比，通过这种方式我们可以得到一个拱桥的加权数。而高斯滤波的二维函数则为式（2.3）：()()222/221,2xyGxye+=（2.3）对于原始图像中的每个像素，我们都用如上公式进行处理。可以得到原始图像和经过高斯滤波后的图像分别如图2.2和2.3所示：图2.2原始路标图像
浙江省硕士学位论文9图2.3高斯滤波后的路标图像图2.3表示的是经过高斯处理后的图像，从该图像中我们明显能得到，经过对图像进行高斯滤波降噪处理后，虽然噪音信息减少，但是丢失了原始图像中很多的细节信息，最终的图像整体上比较模糊。2.3.2双边过滤波长除了业界所常用的高斯滤波降噪算法，同时也有使用双边过滤波长降噪算法作为降噪解决方案的。双边过滤波长方法充分的考虑到了高斯滤波方法的优势，其在加入了高斯滤波算法的参数以外，还开创性的对像素邻域下的值域划分差系数进行了添加处理，这种方式是在像素邻域内所包含的领邻域的像素值与像素本身的像素通道值绝对值相差较大时，双边过滤波长整体的系数值将发生影响，由这种方式带来的无关像素在受到滤波算法所带来的性能干扰就会越小，这种原像素不受到影响的现象一般发生于图像像素矩阵边缘，所以双边过滤波长的降噪方法具有保护像素矩阵的边缘的特点，降低了降噪算法对于图片的影响。双边过滤波长的距离模板公式[27]如式（2.4）所示：()()()222,,,exp2dikjldijkl+=（2.4）其中，（k，l）为模板窗口的中心坐标；（i，j）为模板窗口的其他系数的坐标；d为高斯函数的标准差。使用上文公式所带来的滤波器效果与高斯滤波器所带来的效果是大致相同的。值域模板系数的生成公式如（2.5）所示：()()()22,,,,,exp2rfijfklrijkl=（2.5）观察公式，对于新的滤波器的生成可由式（2.4）与式（2.5）做乘法操作，后得到式（2.6），如下文所示：
【参考文献】：
期刊论文
[1]一种改进的CNN交通标志识别算法[J]. 王博,李亚文. 计算机与数字工程. 2019(12)
[2]基于卷积神经网络与集成学习的交通标志识别[J]. 刘树艺,李静,胡春,王伟. 计算机与现代化. 2019(12)
[3]基于深度学习的交通标志识别算法研究[J]. 郭志涛,雷瑶,袁金丽,史龙云. 现代电子技术. 2019(22)
[4]基于YOLO v3的交通标志牌检测识别[J]. 潘卫国,刘博,陈英昊,石洪丽. 传感器与微系统. 2019(11)
[5]基于改进RA-CNN的舰船光电目标识别方法[J]. 霍煜豪,徐志京. 上海海事大学学报. 2019(03)
[6]基于改进LeNet-5的交通标志识别算法研究[J]. 褚莹,陶纪宇,凌力. 微型电脑应用. 2019(09)
[7]卷积神经网络在掌纹识别中的性能评估[J]. 王海纶,李书杰,贾伟,刘晓平. 中国图象图形学报. 2019(08)
[8]基于多尺度卷积神经网络的交通标志识别方法[J]. 樊星,赵祥模,刘占文,沈超,徐江. 现代电子技术. 2019(15)
[9]基于CNN的计算机生成图像识别方法[J]. 秦毅,吴蔚. 西南师范大学学报(自然科学版). 2019(05)
[10]自然场景下的交通标志识别系统[J]. 范思宇,谢刚,续欣莹,谢新林. 现代电子技术. 2019(09)
博士论文
[1]交通标志检测与识别研究[D]. 朱盈盈.华中科技大学 2018
硕士论文
[1]复杂环境下的交通标志识别方法研究[D]. 张楠.武汉科技大学 2019
[2]基于深度学习的交通标志识别研究[D]. 朱松.安徽理工大学 2019
[3]交通标志识别及其目标检测深度学习算法研究[D]. 张逞逞.燕山大学 2019
[4]基于CNN的雾霾环境下交通标志的识别[D]. 尹宁.中北大学 2019
[5]基于深度学习的交通标志识别及实现[D]. 许庆志.北京交通大学 2018
[6]智能车交通标志检测与识别算法研究[D]. 崔万豪.西安科技大学 2018
[7]基于计算机视觉的交通标志检测与识别算法研究[D]. 张天允.湖南大学 2018
[8]基于卷积神经网络的人体姿态估计[D]. 张玉立.哈尔滨工程大学 2018
[9]基于深度学习的交通标志检测与识别的研究[D]. 王灿雍.北京工业大学 2018
[10]基于深度学习的交通标志识别技术研究[D]. 金建成.杭州电子科技大学 2018
本文编号：3492461
【文章来源】：杭州电子科技大学浙江省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
原始路标图像
浙江省硕士学位论文8正态曲线标准差如图2.1所示：图2.1正态曲线标准差示意图在2.1图中，高斯正态分布曲线整体呈现出拱桥形状，即在拱桥中心，曲线的值将接近于最大，同时越远离拱桥的中心，其拱桥部取值将越校在正态曲线中计算平均值的情况下，需要将曲线中拱桥凸起部分作为其取值的零点，而对于其他取值点则应该分别按照其在拱桥曲线上所在的定位，分别对其分配各自的占比，通过这种方式我们可以得到一个拱桥的加权数。而高斯滤波的二维函数则为式（2.3）：()()222/221,2xyGxye+=（2.3）对于原始图像中的每个像素，我们都用如上公式进行处理。可以得到原始图像和经过高斯滤波后的图像分别如图2.2和2.3所示：图2.2原始路标图像
浙江省硕士学位论文9图2.3高斯滤波后的路标图像图2.3表示的是经过高斯处理后的图像，从该图像中我们明显能得到，经过对图像进行高斯滤波降噪处理后，虽然噪音信息减少，但是丢失了原始图像中很多的细节信息，最终的图像整体上比较模糊。2.3.2双边过滤波长除了业界所常用的高斯滤波降噪算法，同时也有使用双边过滤波长降噪算法作为降噪解决方案的。双边过滤波长方法充分的考虑到了高斯滤波方法的优势，其在加入了高斯滤波算法的参数以外，还开创性的对像素邻域下的值域划分差系数进行了添加处理，这种方式是在像素邻域内所包含的领邻域的像素值与像素本身的像素通道值绝对值相差较大时，双边过滤波长整体的系数值将发生影响，由这种方式带来的无关像素在受到滤波算法所带来的性能干扰就会越小，这种原像素不受到影响的现象一般发生于图像像素矩阵边缘，所以双边过滤波长的降噪方法具有保护像素矩阵的边缘的特点，降低了降噪算法对于图片的影响。双边过滤波长的距离模板公式[27]如式（2.4）所示：()()()222,,,exp2dikjldijkl+=（2.4）其中，（k，l）为模板窗口的中心坐标；（i，j）为模板窗口的其他系数的坐标；d为高斯函数的标准差。使用上文公式所带来的滤波器效果与高斯滤波器所带来的效果是大致相同的。值域模板系数的生成公式如（2.5）所示：()()()22,,,,,exp2rfijfklrijkl=（2.5）观察公式，对于新的滤波器的生成可由式（2.4）与式（2.5）做乘法操作，后得到式（2.6），如下文所示：
【参考文献】：
期刊论文
[1]一种改进的CNN交通标志识别算法[J]. 王博,李亚文. 计算机与数字工程. 2019(12)
[2]基于卷积神经网络与集成学习的交通标志识别[J]. 刘树艺,李静,胡春,王伟. 计算机与现代化. 2019(12)
[3]基于深度学习的交通标志识别算法研究[J]. 郭志涛,雷瑶,袁金丽,史龙云. 现代电子技术. 2019(22)
[4]基于YOLO v3的交通标志牌检测识别[J]. 潘卫国,刘博,陈英昊,石洪丽. 传感器与微系统. 2019(11)
[5]基于改进RA-CNN的舰船光电目标识别方法[J]. 霍煜豪,徐志京. 上海海事大学学报. 2019(03)
[6]基于改进LeNet-5的交通标志识别算法研究[J]. 褚莹,陶纪宇,凌力. 微型电脑应用. 2019(09)
[7]卷积神经网络在掌纹识别中的性能评估[J]. 王海纶,李书杰,贾伟,刘晓平. 中国图象图形学报. 2019(08)
[8]基于多尺度卷积神经网络的交通标志识别方法[J]. 樊星,赵祥模,刘占文,沈超,徐江. 现代电子技术. 2019(15)
[9]基于CNN的计算机生成图像识别方法[J]. 秦毅,吴蔚. 西南师范大学学报(自然科学版). 2019(05)
[10]自然场景下的交通标志识别系统[J]. 范思宇,谢刚,续欣莹,谢新林. 现代电子技术. 2019(09)
博士论文
[1]交通标志检测与识别研究[D]. 朱盈盈.华中科技大学 2018
硕士论文
[1]复杂环境下的交通标志识别方法研究[D]. 张楠.武汉科技大学 2019
[2]基于深度学习的交通标志识别研究[D]. 朱松.安徽理工大学 2019
[3]交通标志识别及其目标检测深度学习算法研究[D]. 张逞逞.燕山大学 2019
[4]基于CNN的雾霾环境下交通标志的识别[D]. 尹宁.中北大学 2019
[5]基于深度学习的交通标志识别及实现[D]. 许庆志.北京交通大学 2018
[6]智能车交通标志检测与识别算法研究[D]. 崔万豪.西安科技大学 2018
[7]基于计算机视觉的交通标志检测与识别算法研究[D]. 张天允.湖南大学 2018
[8]基于卷积神经网络的人体姿态估计[D]. 张玉立.哈尔滨工程大学 2018
[9]基于深度学习的交通标志检测与识别的研究[D]. 王灿雍.北京工业大学 2018
[10]基于深度学习的交通标志识别技术研究[D]. 金建成.杭州电子科技大学 2018
本文编号：3492461
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3492461.html
