基于深度卷积神经网络的交通标志识别

发布时间：2017-09-06 20:44

  本文关键词：基于深度卷积神经网络的交通标志识别

  更多相关文章： 深度学习 卷积神经网络 交通标志 模式识别 支持向量机

【摘要】：道路交通标志识别是智能交通系统与先进辅助驾驶系统的重要组成部分,是计算机视觉和模式识别领域的国内外研究热点之一。本文将采集于自然场景下的德国交通标志图像数据集GTSRB作为研究对象,通过对卷积神经网络、支持向量机和GTSRB数据集图像特点进行研究,探索道路交通标志分类识别新方法。本文主要创新性工作包括：(1)对深度学习方法中的栈式自动编码器、受限玻尔兹曼机、深度置信网络和卷积神经网络进行对比研究；重点分析卷积神经网络中的LeNet-5模型,该模型能够较好的提取图像多尺度特征；论述支持向量机的工作原理,该分类器通过构造最优分类超平面来达到全局最优,具有良好的分类效果且应用广泛。(2)针对GTSRB数据集中的交通标志图像,提出一种简单有效的图像预处理方法。该方法先对原始图像进行裁剪,进而减少背景信息的干扰;再通过灰度化、图像增强以及尺寸归一化等图像处理方法,使图像目标区域更加清晰,图像特征更加明显。实验结果表明,所提出的预处理方法能够提高图像质量,便于后续的图像识别。(3)将卷积神经网络与支持向量机相结合,提出一种基于二级改进LeNet-5模型的交通标志识别算法。该算法首先根据识别系统的实时性要求,对原始LeNet-5模型结构进行改进；然后根据ROI增强预处理方法对原始图像进行预处理；接下来,利用数据集GTSRB训练出一个二级改进LeNet-5模型,其中第一级改进LeNet-5模型将感兴趣区域中包含的交通标志粗分为6类,第二级改进LeNet-5模型对粗分类结果进行细分类,识别出交通标志所属的最终类别。实验结果表明,基于二级改进LeNet-5模型交通标志识别算法因网络模型能够提取交通标志的多尺度特征,识别正确率可达91.76%。
【关键词】：深度学习 卷积神经网络 交通标志 模式识别 支持向量机
【学位授予单位】：陕西师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP183
【目录】：

• 摘要3-4
• Abstract4-7
• 第1章 绪论7-11
• 1.1 研究的背景及意义7-8
• 1.2 交通标志识别的国内外研究现状8-10
• 1.2.1 国内研究现状8-9
• 1.2.2 国外研究现状9-10
• 1.3 本文的内容安排10-11
• 第2章 相关理论基础11-23
• 2.1 深度学习常用方法11-19
• 2.1.1 栈式自动编码器11-12
• 2.1.2 受限玻尔兹曼机12-14
• 2.1.3 深度置信网络14-15
• 2.1.4 卷积神经网络15-19
• 2.2 LeNet-519-20
• 2.3 支持向量机20-21
• 2.4 小结21-23
• 第3章 交通标志图像预处理23-33
• 3.1 采用的数据集23
• 3.2 GTSRB数据集的图像预处理方法23-28
• 3.2.1 区域裁剪24
• 3.2.2 图像灰度化24-25
• 3.2.3 图像增强25-26
• 3.2.4 图像尺寸归一化26-28
• 3.3 实验与分析28-31
• 3.3.1 实验结果28-30
• 3.3.2 与其他预处理方法对比30-31
• 3.4 小结31-33
• 第4章 基于二级改进LeNet-5模型的交通标志识别算法33-49
• 4.1 改进LeNet-5模型33-34
• 4.2 基于二级改进LeNe-5模型的交通标志识别算法34-37
• 4.3 仿真实验及性能37-48
• 4.3.1 网络模型对图像的特征表示37-38
• 4.3.2 预处理方法的有效性测试38-39
• 4.3.3 网络模型有效性测试39-40
• 4.3.4 网络的收敛性测试40
• 4.3.5 各类标志测试结果40-46
• 4.3.6 网络模型的性能分析46-48
• 4.4 小结48-49
• 第5章 总结和展望49-51
• 5.1 总结49-50
• 5.2 展望50-51
• 参考文献51-55
• 致谢55-57
• 攻读硕士学位期间的研究成果57

【参考文献】

中国期刊全文数据库 前10条

1 张力;张洞明;郑宏;;基于联合层特征的卷积神经网络在车标识别中的应用[J];计算机应用;2016年02期

2 郭丽丽;丁世飞;;深度学习研究进展[J];计算机科学;2015年05期

3 宣森炎;龚小谨;刘济林;;基于联合卷积和递归神经网络的交通标志识别[J];传感器与微系统;2014年08期

4 周广波;李豪杰;;一种基于颜色不变量和PHOG特征的交通标志检测方法[J];计算机应用与软件;2014年08期

5 李妍;刘茂福;姬东鸿;;基于支持向量机的中文文本蕴涵识别研究[J];计算机应用与软件;2014年04期

6 常发亮;黄翠;刘成云;赵永国;马传峰;;基于高斯颜色模型和SVM的交通标志检测[J];仪器仪表学报;2014年01期

7 于广滨;丁刚;姚威;黄龙;;基于支持过程向量机的航空发动机排气温度预测[J];电机与控制学报;2013年08期

8 王艳梅;张艳珠;郑成文;;基于支持向量机的人脸识别方法的研究[J];控制工程;2013年S1期

9 冯春贵;祝诗平;王海军;贺园园;;基于改进模板匹配的限速标志识别方法研究[J];西南大学学报(自然科学版);2013年04期

10 秦传东;刘三阳;张市芳;;一种肿瘤基因的支持向量机提取方法[J];西安电子科技大学学报;2012年01期

，

本文编号：805341