基于深度学习的交通路标图像识别研究

发布时间：2024-06-23 12:39

　　交通路标的识别不仅是无人驾驶中的关键技术,也是高级车载系统的辅助工具。传统的交通路标识别方法虽然也可以进行检测,但准确率难以进一步提升,而深度学习方法具有很强的特征表征能力,将其应用于交通路标的检测识别能够有效地帮助驾驶员(或无人车)完成正确的操作,从而减少或避免交通事故的发生。针对交通路标检测中存在的难点问题,本文通过对SSD模型进行改进,实现了对于小的交通路标进行检测识别和精准定位。相关的工作和创新点如下:(1)针对SSD模型在小目标的检测存在漏检和检测精度不高的问题,提出了一种Dalation_DenseNet_SSD模型。该模型能够改善网络的特征提取能力,减少了因池化操作造成的信息丢失,有效地提高了对于小目标的检测性能。在CTSD数据集上进行了实验验证,实验结果表明改进的Dalation_DenseNet_SSD模型其mAP相比Dalation_VGG_SSD和SSD模型分别增加了3.9%和6.4%,损失分别下降了0.5和1.8,同时召回率达到92.6%,精准...

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

图1-1全国机动车增长数据图

芯勘尘昂鸵庖?随着社会经济的发展，人们的生活水平也随之提升，汽车已成为人们一种普遍的交通工具。当人们享受汽车带来便利的同时，随之也出现了很多社会问题。如环境污染、交通堵塞、人为操作不当造成的交通事故等问题[1]。而交通事故是首要的也是最严重的问题，交通事故不仅对社会造成一定的经济....

图2-1神经元

在手写数字识别上还占据着领先地位。CNN在图像识别方面具有一定的优越性，因其具有三个特点：局部感知域、权值共享和多卷积核。（1）局部感知域局部感知域也称稀疏连接。人们对于事物的认知都是通过局部到全部的一个过程，对于图像的识别也是根据这一特征，即图像的某一特征在局部区域是相对比较密....

图2-2LeNet5结构示意图

昙觳馐侗鹬校珻NN是其主要的组成部分，CNN对输入的图像进行特征提龋输入的图像可以是单通道的黑白图像也可以是彩色的三通道图像。CNN一般包括卷积层（ConvolutionalLayer）、池化层（PoolingLayer）、Dropout层、激活函数、全连接层（Fully-con....

图2-3valid模式卷积操作

第二章基础理论与技术9如果输入的图像的大小为w×h，卷积核的大小为k×k，输出的图像大小为""wh，步长为s，则输出和输入的关系如式（2-2）和式（2-3）。"1wkws（2-2）"1hkhs（2-3）式（2-2）和式（2-3）是未经过填充得到的特征图大小，也就是valid模式，....

本文编号：3995478