基于卷积神经网络交通标志识别方法研究
发布时间：2022-04-22 22:27
随着智能驾驶的发展,交通标志检测和识别成为车辆智能技术的重要功能之一。交通标志检测效果因受到现实交通场景的复杂性如光照条件、遮挡等因素影响,以及车辆行驶中检测的高准确率和实时性要求,给交通标志检测技术研究带来较大难度。传统的交通标志检测算法主要采用人工设计特征来获得目标候选区,检测过程运算数据量大,很难实现实时道路行驶检测。基于卷积神经网络的目标检测可自动提取特征、运算量小、能对多种类别目标进行检测,为交通标志检测带来新的技术。本文提出了针对于中国交通标志检测的改进深度卷积神经网络模型算法。主要研究内容如下:首先,针对中国交通标志数据集的匮乏问题,建立符合中国交通道路实情的交通标志数据集。采用区域裁剪、直方图均衡化、尺寸归一化和图像对比度增强,对图像预处理,加入BM3D（Block Matching 3D）去噪算法进行去噪,降低实景环境中对图像质量的影响,获得高品质图像,并通过实验验证预处理方法的有效性和正确性。其次,基于YOLOv2（You Only Look Once v2）算法及卷积神经网络,实现检测精度的显著提高。针对其对于小型的目标检测精度不高,对原网络的损失函数,采用归一化...
【文章页数】：63 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 研究背景及意义
1.2 交通标志检测算法研究现状
1.2.1 基于传统方法的交通标志检测算法
1.2.2 基于深度学习的交通标志检测算法
1.3 交通标志检测难点
1.4 研究内容及章节安排
2 交通标志图像检测方法
2.1 基于侯选区域检测方法
2.1.1 R-CNN
2.1.2 SPP-NET
2.1.3 Fast R-CNN
2.2 基于回归检测方法
2.2.1 SSD
2.2.2 YOLO系列算法
2.3 评价指标
2.4 本章小结
3 基于改进YOLOv2的交通标志检测算法
3.1 数据集的建立
3.1.1 交通标志数据集
3.1.2 数据集的标注
3.2 交通标志图像的预处理
3.2.1 区域裁剪
3.2.2 BM3D算法去噪
3.2.3 图像尺寸归一化
3.2.4 彩色图像的直方图均衡化
3.3 YOLOv2算法
3.3.1 anchor和 IOU回归
3.3.2 网络结构
3.4 基于改进YOLOv2的交通标志检测算法
3.4.1 改进的YOLOv2网络模型
3.4.2 损失函数的优化
3.5 改进YOLOv2的实验分析
3.5.1 模型训练分析
3.5.2 不同尺寸对比分析
3.6 本章小结
4 交通标志检测实现
4.1 实验环境搭建
4.1.1 硬件平台
4.1.2 软件平台
4.2 预处理实验分析
4.2.1 实验结果
4.2.2 预处理对比分析
4.3 交通标志检测系统设计
4.4 实验结果分析
4.4.1 中国交通标志的检测结果分析
4.4.2 德国交通标志的检测结果分析
4.4.3 离线视频的检测结果分析
4.5 本章小结
5 结论与展望
5.1 结论
5.2 展望
致谢
参考文献
附录
【参考文献】：
期刊论文
[1]基于深度学习的交通标志识别算法[J]. 徐仙伟,曹霁. 计算机时代. 2019(06)
[2]基于残差单发多框检测器模型的交通标志检测与识别[J]. 张淑芳,朱彤. 浙江大学学报(工学版). 2019(05)
[3]一种改进的交通标志检测方法[J]. 黄尚安,董超俊,林庚华,甄俊杰. 现代计算机(专业版). 2019(06)
[4]智能车环境视觉感知及其关键技术研究现状[J]. 陈政宏,李爱娟,邱绪云,袁文长,葛庆英. 河北科技大学学报. 2019(01)
[5]基于Gabor特征提取和SVM交通标志识别方法研究[J]. 张传伟,崔万豪. 现代电子技术. 2018(17)
[6]基于RGB视觉模型的交通标志分割[J]. 黄志勇,孙光民,李芳. 微电子学与计算机. 2004(10)
博士论文
[1]基于深度迁移学习的辅助驾驶应用研究[D]. 彭希帅.上海交通大学 2019
[2]稀疏表示及多示例跟踪算法研究及其在视频监控中的应用[D]. 杨红红.西北工业大学 2018
[3]基于深度学习的运动目标检测与跟踪研究[D]. 周祥增.西北工业大学 2016
硕士论文
[1]交通标志检测算法及其应用研究[D]. 黄海如.上海交通大学 2019
[2]基于卷积神经网络的单目图像深度估计研究[D]. 朱沛贤.南京邮电大学 2018
[3]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
[4]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
[5]面向移动端的轻量级卷积神经网络分类算法研究[D]. 马帅.华南理工大学 2018
[6]基于卷积神经网络的小目标行人检测研究[D]. 蒋家俊.兰州理工大学 2018
[7]基于YOLOv2的实时目标检测研究[D]. 雷维卓.重庆大学 2018
[8]基于卷积神经网络的中国交通标志检测研究[D]. 黄曼婷.长沙理工大学 2018
[9]基于计算实验的公共交通需求预测方法研究[D]. 彭蕾.华中科技大学 2017
[10]基于深度学习的交通标志检测算法研究[D]. 王聪.北方工业大学 2017
本文编号：3646806
【文章页数】：63 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 研究背景及意义
1.2 交通标志检测算法研究现状
1.2.1 基于传统方法的交通标志检测算法
1.2.2 基于深度学习的交通标志检测算法
1.3 交通标志检测难点
1.4 研究内容及章节安排
2 交通标志图像检测方法
2.1 基于侯选区域检测方法
2.1.1 R-CNN
2.1.2 SPP-NET
2.1.3 Fast R-CNN
2.2 基于回归检测方法
2.2.1 SSD
2.2.2 YOLO系列算法
2.3 评价指标
2.4 本章小结
3 基于改进YOLOv2的交通标志检测算法
3.1 数据集的建立
3.1.1 交通标志数据集
3.1.2 数据集的标注
3.2 交通标志图像的预处理
3.2.1 区域裁剪
3.2.2 BM3D算法去噪
3.2.3 图像尺寸归一化
3.2.4 彩色图像的直方图均衡化
3.3 YOLOv2算法
3.3.1 anchor和 IOU回归
3.3.2 网络结构
3.4 基于改进YOLOv2的交通标志检测算法
3.4.1 改进的YOLOv2网络模型
3.4.2 损失函数的优化
3.5 改进YOLOv2的实验分析
3.5.1 模型训练分析
3.5.2 不同尺寸对比分析
3.6 本章小结
4 交通标志检测实现
4.1 实验环境搭建
4.1.1 硬件平台
4.1.2 软件平台
4.2 预处理实验分析
4.2.1 实验结果
4.2.2 预处理对比分析
4.3 交通标志检测系统设计
4.4 实验结果分析
4.4.1 中国交通标志的检测结果分析
4.4.2 德国交通标志的检测结果分析
4.4.3 离线视频的检测结果分析
4.5 本章小结
5 结论与展望
5.1 结论
5.2 展望
致谢
参考文献
附录
【参考文献】：
期刊论文
[1]基于深度学习的交通标志识别算法[J]. 徐仙伟,曹霁. 计算机时代. 2019(06)
[2]基于残差单发多框检测器模型的交通标志检测与识别[J]. 张淑芳,朱彤. 浙江大学学报(工学版). 2019(05)
[3]一种改进的交通标志检测方法[J]. 黄尚安,董超俊,林庚华,甄俊杰. 现代计算机(专业版). 2019(06)
[4]智能车环境视觉感知及其关键技术研究现状[J]. 陈政宏,李爱娟,邱绪云,袁文长,葛庆英. 河北科技大学学报. 2019(01)
[5]基于Gabor特征提取和SVM交通标志识别方法研究[J]. 张传伟,崔万豪. 现代电子技术. 2018(17)
[6]基于RGB视觉模型的交通标志分割[J]. 黄志勇,孙光民,李芳. 微电子学与计算机. 2004(10)
博士论文
[1]基于深度迁移学习的辅助驾驶应用研究[D]. 彭希帅.上海交通大学 2019
[2]稀疏表示及多示例跟踪算法研究及其在视频监控中的应用[D]. 杨红红.西北工业大学 2018
[3]基于深度学习的运动目标检测与跟踪研究[D]. 周祥增.西北工业大学 2016
硕士论文
[1]交通标志检测算法及其应用研究[D]. 黄海如.上海交通大学 2019
[2]基于卷积神经网络的单目图像深度估计研究[D]. 朱沛贤.南京邮电大学 2018
[3]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
[4]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
[5]面向移动端的轻量级卷积神经网络分类算法研究[D]. 马帅.华南理工大学 2018
[6]基于卷积神经网络的小目标行人检测研究[D]. 蒋家俊.兰州理工大学 2018
[7]基于YOLOv2的实时目标检测研究[D]. 雷维卓.重庆大学 2018
[8]基于卷积神经网络的中国交通标志检测研究[D]. 黄曼婷.长沙理工大学 2018
[9]基于计算实验的公共交通需求预测方法研究[D]. 彭蕾.华中科技大学 2017
[10]基于深度学习的交通标志检测算法研究[D]. 王聪.北方工业大学 2017
本文编号：3646806
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3646806.html
