基于深度学习的交通标志识别及实现

发布时间：2023-11-18 12:24

　　交通标志识别是先进辅助驾驶以及无人驾驶中的关键技术。目前对于这一问题的主要研究思路是通过安装在车辆上的摄像机获取自然场景图像,进而通过图像处理与模式识别等技术对场景中的交通标志进行实时检测和识别。由于真实的道路交通环境复杂多变,现实应用又要求其保证较高的准确率和实时性,因此交通标志识别研究从理论到实际应用都具有很高的意义。传统方法使用滑动窗口结合手工设计特征进行交通标志识别,在精度和实时性上已经难以满足智能驾驶系统的需要。近年来,卷积神经网络(Convolution Neural Network,CNN)和候选区域(Region Proposal)等深度学习算法的发展为交通标志识别技术提供了新的可能,本文将基于深度学习的目标检测思想用于交通标志识别研究,并进一步实现基于智能车平台的交通标志识别。具体工作包括以下几个方面:(1)基于GPU服务器平台,采用深度学习的方法进行交通标志检测算法研究。首先使用 Faster R-CNN(Faster Region-based Convolutional Neural Networks)进行交通标志检测,这种方法通过RPN(Region Propo...

【文章页数】：87 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
1 引言
    1.1 研究背景及意义
        1.1.1 交通标志
        1.1.2 辅助驾驶与无人驾驶
    1.2 国内外研究现状
        1.2.1 传统的交通标志识别方法研究现状
        1.2.2 基于卷积神经网络的交通标志识别方法
    1.3 交通标志识别的研究难点
    1.4 论文研究内容和组织结构
2 相关理论基础
    2.1 卷积神经网络
        2.1.1 卷积神经网络结构
        2.1.2 反向传播算法
    2.2 基于深度学习的目标检测算法
        2.2.1 R-CNN
        2.2.2 SPP-NET
        2.2.3 Fast R-CNN
        2.2.4 Faster R-CNN
    2.3 本章小结
3 基于深度学习的交通标志检测算法研究
    3.1 数据集介绍
    3.2 性能指标
    3.3 基于Faster R-CNN的交通标志检测
        3.3.1 区域候选网络
        3.3.2 Fast R-CNN与RPN共享卷积特征
        3.3.3 特征网络ResNet
        3.3.4 实验结果与分析
    3.4 基于R-FCN的交通标志检测
        3.4.1 位敏得分地图
        3.4.2 R-FCN用于交通标志检测
        3.4.3 实验结果与分析
    3.5 现有算法检测结果与分析
    3.6 本章小结
4 基于智能车平台的交通标志识别系统实现
    4.1 实验平台搭建
        4.1.1 硬件平台
        4.1.2 软件平台
    4.2 交通标志数据集
        4.2.1 数据标注
        4.2.2 数据扩充
    4.3 模型训练
        4.3.1 验证集的使用
        4.3.2 微调模型
        4.3.3 参数调试实验
    4.4 不同行车场景下的交通标志检测
        4.4.1 白天场景下的交通标志识别实验结果与分析
        4.4.2 夜晚场景下的交通标志识别实验结果与分析
    4.5 本章小结
5 总结与展望
    5.1 工作总结
    5.2 下一步工作
参考文献
图索引
表索引
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集



本文编号：3865280