基于深度学习的道路交通标志识别系统研究

发布时间：2022-10-22 18:39

　　近几年机动车保有量大幅增加,造成了许多交通安全问题,引起人们的广泛关注。道路交通标志识别作为智能汽车环境感知的基础以及实现驾驶辅助系统功能的必要条件,对汽车安全性有着重要的作用,同时对实现车辆自动驾驶、完善智能交通系统、推进智慧城市等具有重要意义。道路交通标志识别分为交通标志牌识别与车道线检测两个部分,其中交通标志牌识别又分为检测与识别两个步骤。本文使用YOLOv3深度学习目标检测方法,重新设计模型中的损失函数,实现了更加快速准确的交通标志牌检测;通过在标准的GTSRB数据集中加入了具有典型干扰特征的数据,实现对数据集的扩充与增强,使算法能够对存在运动模糊、遮挡、光照异常等环境干扰问题情况下的道路交通标志牌进行准确的识别,提高了交通标志牌识别算法的抗干扰能力;应用DarkNet-53深度学习图像识别方法,重新设计了模型中的分类模块结构,同时使用具有类别自适应特性的Focal Loss损失函数进行模型的训练,获得了更高的识别准确率与更快的识别速度,实现了准确的交通标志牌识别;针对基本霍夫变换实现车道线检测算法执行时间长、准确性不高的问题,结合概率理论与透视变换方法对霍夫变换进行了改进,实... 

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 选题背景及研究意义
    1.2 道路交通标志识别系统研究现状
        1.2.1 道路交通标志检测研究现状
        1.2.2 道路交通标志识别研究现状
    1.3 本文研究内容和组织结构
        1.3.1 本文的研究内容
        1.3.2 本文的组织结构
2 道路交通标志识别技术分析
    2.1 道路交通标志识别概述
        2.1.1 道路交通标志识别系统框架
        2.1.2 道路交通标志特征
    2.2 道路交通标志识别方法
        2.2.1 感兴趣区域提取
        2.2.2 卷积神经网络
        2.2.3 霍夫变换
    2.3 道路交通标志图像数据集
        2.3.1 GTSDB数据集
        2.3.2 GTSRB数据集
    2.4 道路交通标志识别问题
        2.4.1 环境干扰问题
        2.4.2 识别准确率问题
        2.4.3 算法实时性问题
    2.5 本章小结
3 基于深度学习的道路交通标志识别
    3.1 交通标志牌检测算法
        3.1.1 交通标志牌检测模型选择
        3.1.2 交通标志牌检测算法设计
    3.2 交通标志牌识别算法
        3.2.1 交通标志牌识别模型选择
        3.2.2 交通标志牌识别算法设计
    3.3 车道线检测算法设计
    3.4 本章小结
4 道路交通标志识别算法优化
    4.1 Dark Net-53 网络结构优化
    4.2 模型损失函数优化
    4.3 数据集增强
    4.4 车道线检测算法优化
        4.4.1 融合概率理论的霍夫变换设计
        4.4.2 融合逆透视变换的霍夫变换设计
    4.5 本章小结
5 道路交通标志识别系统测试
    5.1 道路交通标志识别流程
    5.2 深度学习平台框架
    5.3 交通标志牌检测模型测试
        5.3.1 交通标志牌检测模型评价指标
        5.3.2 交通标志牌检测模型训练
        5.3.3 交通标志牌检测结果
        5.3.4 算法实时性分析
    5.4 交通标志牌识别模型测试
        5.4.1 交通标志牌识别模型训练
        5.4.2 损失函数优化结果分析
        5.4.3 数据增强结果分析
        5.4.4 交通标志牌识别结果
        5.4.5 算法实时性分析
    5.5 车道线检测算法测试
        5.5.1 车道线检测评价指标
        5.5.2 车道线检测结果分析
    5.6 道路交通标志识别系统运行
    5.7 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
附录


【参考文献】：
期刊论文
[1]一种基于深度学习的遥感图像目标检测算法[J]. 赵宝康,李晋文,杨帆,刘佳豪.  计算机工程与科学. 2019(12)
[2]基于深度学习的无人机巡检图像销钉故障检测[J]. 宁柏锋.  计算机测量与控制. 2019(11)
[3]基于LAB颜色空间的图像阴影检测与去除方法[J]. 梁永侦,潘斌,郭小明,梁媛.  计算机与现代化. 2019(10)
[4]基于机器学习的藏文图像识别系统设计与实现[J]. 杨学斌,贾磊.  江苏科技信息. 2019(28)
[5]基于深度学习的农作物病虫害图像识别技术研究进展[J]. 贾少鹏,高红菊,杭潇.  农业机械学报. 2019(S1)
[6]一种基于形状的红外图像泄漏气体检测方法[J]. 刘路民根,张耀宗,栾琳,洪汉玉.  应用光学. 2019(03)
[7]基于深度学习的验证码图像识别[J]. 徐星,宋小鹏,杜春晖.  测试技术学报. 2019(02)
[8]融入视觉注意机制的路面裂缝检测与识别[J]. 张玉雪,唐振民,钱彬,徐威.  计算机工程. 2018(04)
[9]一种新的基于形态学和模板匹配的车牌识别方法[J]. 刘怀芝,陆小虎,徐喜东,陈本焱.  国外电子测量技术. 2018(01)
[10]基于Stentiford视觉模型的改进[J]. 范向阳,王诚.  计算机工程与应用. 2017(07)

博士论文
[1]图像信息处理中的选择性注意机制研究[D]. 张鹏.国防科学技术大学 2004



本文编号：3696653