基于卷积神经网络的交通标志图像识别研究

发布时间：2023-04-14 20:45

　　交通标志图像识别是智能交通系统的重要组成部分,在驾驶员辅助系统中具有不可或缺的指导意义,在无人驾驶汽车领域中具有举足轻重的应用前景。本文以德国交通标志图像数据库(GTSRB)为研究对象,根据交通标志图像的特点,通过图像增强等预处理技术提高了图像质量;基于深度卷积神经网络的方法改进优化了AlexNet网络模型,在保证对交通标志图像识别的准确率的情况下,提高识别的实时性。本文的主要研究内容和研究成果如下:第一,根据自然场景中的交通标志图像的特点,采用灰度增强和尺寸规范化的方法来提高训练图像的质量,减少光照和背景干扰等对训练图像的影响。第二,对基于深层卷积神经网络的AlexNet网络模型进行了改进,在提高识别精度的前提下,压缩减少了参数总量,内存消耗大幅减少。第三,基于Ubuntu系统平台训练深度卷积神经网络模型,caffe深度学习框架下,通过可视化操作得到训练精度和损失函数随迭代训练次数变化的曲线,展示了模型的收敛性和算法的先进性。第四,通过对交通标志图像测试集的测试验证,得到了经过改进和优化的Alexnet网络模型的性能,并对比分析了识别效果。最终得出,基于改进深度卷积神经网络的交通标志...

【文章页数】：44 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
        1.1.1 论文研究背景及难点
        1.1.2 论文研究意义
    1.2 国内外研究现状
    1.3 本文的主要工作
    1.4 本文的章节安排
第2章 交通标志识别方法介绍
    2.1 基于特征描述子和分类器的方法
    2.2 基于深度学习的方法
    2.3 深度学习理论基础
        2.3.1 卷积神经网络结构
        2.3.2 激活函数
        2.3.3 优化方法
        2.3.4 Softmax分类器
    2.4 本章小结
第3章 交通标志图像的预处理
    3.1 图像预处理
        3.1.1 图像灰度化及灰度增强
        3.1.2 图像尺寸归一化
    3.2 交通标志数据集
    3.3 本章小结
第4章 基于改进深度卷积神经网络的交通标志识别
    4.1 经典AlexNet网络结构
    4.2 改进的AlexNet网络结构
    4.3 识别算法流程
    4.4 实验结果与分析
    4.5 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
附录 A
攻读学位期间的研究成果
致谢



本文编号：3790821