基于改进卷积神经网络的交通标志牌识别算法研究

发布时间：2018-01-02 03:39

本文关键词：基于改进卷积神经网络的交通标志牌识别算法研究　出处：《吉林大学》2017年硕士论文　论文类型：学位论文

【摘要】：随着我国经济快速发展,拥有汽车对于很多家庭来说已不是难事,但与此同时交通事故的不断增加也给社会带来了巨大危害。为了避免出现交通事故,在高速公路,省道国道,危险路段等都会设置相应的交通标志牌,指导司机按规定安全驾驶,但往往由于驾驶员自身原因,未能注意到道路一旁的交通标志牌,从而造成交通事故。交通标志识别系统的开发可以有效地利用科技的手段解决这一问题,然而真实场景极其复杂,对于计算机识别系统来说,不同光照强度,遮挡等都会给检测和分类带来困难,这些因素制约着标志牌识别乃至汽车辅助驾驶的发展。为了解决上述问题,本文在总结了国内外相关领域研究基础上,面对图像中标志牌变形,缺损等情况,结合近年来机器学习支持向量机(Support Vector Machine,SVM)以及卷积神经网络(Convolutional Neural Networks,CNN)的快速发展,进行标志牌识别方面的算法研究,本文研究分两阶段,具体内容如下:第一阶段为标志牌检测算法研究。近年来MSER(Maximally Stable Extremal Regions)在车牌识别、文字识别等领域得到广泛应用,其仿射不变、稳定等特性使其在这些领域取得了优异的成绩,SVM在图片分类,目标识别尤其是二分类问题上表现优异,本文将两者优势结合,提出一种稳定的基于SVM和MSER的交通标志牌检测算法。算法首先对图像进行HSV颜色分割预处理,然后对分割图像进行MSER区域检测,并按规则筛选区域,最后利用SVM模型判断每一个区域是否包含标志牌。在大量实验基础上,采用统计分析的方法确定MSER参数,在德国交通标志检测标准(German Traffic Sign Detection Benchmark,GTSDB)和德国交通标志识别标准(German Traffic Sign Recognition Benchmark,GTSRB)数据集基础上,制作本文特殊变形增量的SVM训练集,训练SVM模型。实验结果表明,与其他算法相比,本文检测算法具有更高的准确率和查全率,在复杂多变的场景下具有更好的稳定性,且计算效率较高,满足标志牌识别系统实时性要求。第二阶段为标志牌分类算法研究。本文提出基于改进lenet-5网络的标志牌分类算法。传统的lenet-5网络对输入形式,卷积核初始化方法等都没有严格的要求,卷积核初始化方法采用最原始的随机初始化,网络模型在训练,分类阶段都非常耗时。本文针对交通标志牌识别算法所要求的实时、准确等特点,将lenet-5网络卷积核初始化方式设置为平均Gabor核初始化,去掉传统lenet-5网络C5层,用激励函数Re LU替代Sigmoid,将输出层的Softmax分类器采用更快速轻量级的SVM分类器代替。实验过程中采用在标志牌识别领域具有极高代表性的GTSRB数据集作为实验数据,实验结果表明,改进lenet-5网络在训练收敛速度,分类时间上都大大优于传统网络,且具有极高的分类准确率,满足标志牌识别系统实时准确的要求。综上所述,本文从标志牌识别系统准确、实时、稳定等要求出发,结合国内外研究现状,设计了符合要求的标志牌检测算法和标志牌分类算法,分别在GTSDB和GTSRB数据集上取得了理想的效果。
[Abstract]:In order to avoid traffic accidents , it is difficult to detect and classify the traffic signs on the highway , provincial highway , dangerous road , etc . In order to avoid traffic accidents , this paper puts forward a stable traffic sign recognition algorithm based on SVM and MSER . In order to solve the above problems , this paper presents a stable traffic sign recognition algorithm based on SVM and MSER . On the basis of German Traffic Sign Detection Benchmark ( GTSDB ) and German Traffic Sign Recognition Benchmark ( GTSRB ) data set , the SVM training set and SVM model of special deformation increment are made . The experimental results show that the improved lenet - 5 network has better stability in training and classification .

【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41;TP183

【相似文献】