基于卷积神经网络的交通信号灯检测算法研究

发布时间：2023-12-09 19:19

　　随着经济的快速发展,道路上的汽车也越来越多,伴随而来的是交通拥堵、交通事故频发等一系列问题。为了解决这些问题,智能交通系统已经被广泛应用在道路交通中,并起着非常重要的作用。在智能交通系统中,交通信号灯的检测是其中一项重要的研究内容。然而,由于实际路况是一个复杂多变的场景,与场景中的其它目标相比,交通信号灯的尺寸又非常小,使得实际场景下交通信号灯的检测精度难以达到实际需求。近年来,由于卷积神经网络具有强大的特征学习能力,已经被广泛应用在图像分类、目标检测等领域,并取得了一系列成就。因此,本文利用卷积神经网络,针对交通信号灯检测(小目标检测),进行了系统的研究,主要工作与创新如下:首先,本文基于Faster R-CNN目标检测算法,提出了一种改进的锚设计,与原始的锚相比,该设计方法采用尺度更小的锚,从而在候选区域生成网络中能够更好地生成与交通信号灯尺寸相匹配的候选区域。另外,根据小目标检测的特点(即小目标的细节信息主要存在于Faster R-CNN网络的浅层特征图中,而其丰富的语义信息主要存在于Faster R-CNN网络的深层特征图中),提出了一种特征融合策略,即对Faster R-CN...

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
    1.3 本文内容与结构安排
第二章 卷积神经网络相关基础
    2.1 引言
    2.2 卷积神经网络
        2.2.1 CNN的基本结构
        2.2.2 卷积
        2.2.3 池化
        2.2.4 激活函数
    2.3 VGG16 网络
    2.4 深度残差网络
    2.5 反卷积与空洞卷积
        2.5.1 反卷积
        2.5.2 空洞卷积
    2.6 随机梯度下降算法
    2.7 本章小结
第三章 基于改进Faster R-CNN的交通信号灯检测
    3.1 引言
    3.2 Faster R-CNN目标检测算法
        3.2.1 Faster R-CNN的基本结构
        3.2.2 RPN
        3.2.3 ROI Pooling
        3.2.4 分类与边界框回归网络
        3.2.5 Faster R-CNN的训练细节
    3.3 改进的Faster R-CNN目标检测算法
        3.3.1 改进的anchor设计
        3.3.2 改进的Faster R-CNN网络设计
    3.4 本章小结
第四章 基于改进SSD的交通信号灯检测
    4.1 引言
    4.2 SSD目标检测算法
        4.2.1 SSD的基本结构
        4.2.2 多尺度卷积检测模块
        4.2.3 先验框设计与匹配
        4.2.4 训练损失函数
    4.3 改进的SSD网络设计
    4.4 本章小结
第五章 实验结果与分析
    5.1 引言
    5.2 实验相关信息
        5.2.1 实验环境
        5.2.2 Faster R-CNN与 SSD选取的特征提取网络
        5.2.3 交通信号灯检测数据集
        5.2.4 实验评价指标
    5.3 基于改进Faster R-CNN的交通信号灯检测实验结果分析
    5.4 基于改进SSD的交通信号灯检测实验结果分析
    5.5 本章小结
总结与展望
参考文献
攻读硕士学位期间发表的成果
致谢



本文编号：3871999