自然环境下基于改进YOLOv3网络的交通标志识别研究
发布时间：2021-06-14 23:35
交通标志检测与识别是辅助驾驶、无人驾驶、智能导航等领域的关键技术之一。准确获得道路前方的交通标志信息,能够为驾驶员或智能车辆执行正确动作提供决策支持,减少操作失误,降低交通事故发生的频率。出于安全性考虑,对交通标志的检测与识别必须具备准确、快速的特点。本文在研究分析国内外交通标志检测与识别技术的基础上,提出了一种自然环境下基于改进YOLOv3网络的交通标志检测与识别方法。本文主要的研究工作如下:1.本文使用imgaug库对GTSDB数据集进行图像增强,模拟生成雨雪天气、雾霾天气、阴暗天气、强光天气、大雾天气情况下的数据样本,并对数据集里数量较少且目标尺寸单一的图片,做了缩放80%～180%的处理,使得在增强数据集上训练出来的网络模型,可以适应在真实道路场景下以及恶劣天气环境下准确地对交通标志进行检测与识别。2.YOLOv3使用K-means算法在COCO数据集上聚类得到的9个先验框,有一部分在GTSDB数据集上并不适用。本文提出使用改进的K-means++算法在GTSDB数据集上重新聚类,得到9个新的先验框,提高模型对bounding boxes的检出率。3.在训练深度网络模型时,BN...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
图２．１卷积运算过程??Ｆｉｇ．?２．１?Ｃｏｎｖｏｌｕｔｉｏｎ?ｏｐｅｒａｔｉｏｎ?ｐｒｏｃｅｓｓ??ｉ?Ｉ?］??３．激活函数??激活函数（ａｃｔｉｖａｔｉｏｎ）在卷积神经网络中的作用为增加网络模型的非线性，提高模??
??１０?ｓｉｇｍ〇＿???Ｄｅｒｉｖａｔｉｖｅ?ｏｆ?ｓｉｇｍｏｉｄ?ｆｕｎｃｔｉｏｎ??〇？＊?／?０．２０－?／??０．６－?／?０－１５－?／?＼??：ｉ—ＪＪＴｐ。二??＾＾?］?－４－３－２－１０?１?２?３?４??０．０?＇?１?＂＊＊??＇?？?＇?１?？??７??－１０．０?－７．３?－５．０?－２．，?ａ〇?２．５?Ｓ．０?７．３?１０．０?＾??（ａ）?Ｓｉｇｍｏｉｄ型函数?（ｂ）?Ｓｉｇｍｏｉｄ型函数梯度??图２．２?Ｓｉｇｍｏｉｄ函数及其函数梯度??Ｆｉｇ．?２．２?Ｓｉｇｍｏｉｄ?ｆｌｍｃｔｉｏｎ?ａｎｄ?ｉｔｓ?ｆｕｎｃｔｉｏｎａｌ?ｇｒａｄｉｅｎｔ??（２）?ＲｅＬＵ函数，其函数公式为：??ＲｅＬＵ?＝?ｍａｘ?（０；ｘ）?（２．２）??ＲｅＬＵ函数的优势在于当；ｃ＞＝０时，梯度值均为１，梯度保持稳定，解决了?Ｓｉｇｍｏｉｄ??函数在输入值特别大时，梯度为零的问题；而当；ｃ＜０时，梯度值为０，这样当输出为０??的神经元增多时，特征相差较大，向络泛化能力更强，并且减少了计算复杂度［３３】。因为??ＲｅＬＵ函数的这些优点，该函数目前得到了人们的广泛应用。图２．３为ＲｅＬＵ函数及其??导数的图像。??ＲｅＬＵ（ｘ）?１０｜????４?／?Ｉ０６??／?Ｉ０４??２?／??／?００?????＂＾６?＾４?＾２?２?４?Ｖ?－８?－６?－４?－２?０?２?＜?＊?８??（ａ）?ＲｅＬＵ型函数?（ｂ）?ＲｅＬＵ型函数梯度??图２．３?ＲｅＬＵ函数及其函数梯度??Ｆｉｇ．?２．３?ＲｅＬＵ?ｆｕｎｃｔｉｏｎ?ａｎｄ?ｉｔｓ?
?自然环境下基于改进Ｙ０Ｌ０ｖ３网络的交通标志识别研究???有利于网络的训练［３４］。??最大值米样（ｍａｘ?ｐｏｏｌｉｎｇ）和均值釆样（ｍｅａｎ?ｐｏｏｌｉｎｇ）是目前比较常见的池化方??式。输入图像划分为若干子区域，最大值采样是选择输出子区域的最大值，均值釆样??是选择输出子区域的平均值，；具体操作见图２．４。??????１?＾最大池化结果?１３?１０??５?１３?７?７?［?＞?????１０?１０??１２?４?９?１０?????４?１０?２?９??????：??平均池化结果?９?７??７?６?１０?１?Ｉ??＞???????１?、?７?５??图２．４池化操作示例：??Ｆｉｇ：?２．４?Ｅｘａｍｐｌｅ?ｏｆ?ｐｏｏｌｉｎｇ?ｏｐｅｒａｔｉｏｎ??５．全连接层??全连接层（Ｆｕｌｌｙｃｏｎｎｅｃｔｅｄｌａｙｅｒｓ，?ＦＣ）在卷积神经网络中，起到对目标进行分类的??作用。它将网络学习到的特征，映射到样本标记空间叫全连接层输出的数据一般会用??来做目标边框的回归和目标结果的分类。??６．输出层??在卷积神经网络中一般紧跟着全连接层的就是输出层。针对图像分类问题，输出层??输出目标的类别；针对图像检测任务，输出层输出目标的位置信息；在图像语义分割任??务中，输出层直接输出每个像素的分类结果。??２．２?ＹＯＬＯｖ３算法简介??目前，以深度学习为基础的目标检测方法，主要可以分为两大类：“ｔｗｏ－ｓｔａｇｅ”方法??和“ｏｎｅ－ｓｔａｇｅ”方法。“ｔｗｏ－ｓｔａｇｅ”指的是检测和识别这两个阶段，该方法是基于候选区??域的，代表算法有?Ｒｅｇｉｏｎ
【参考文献】：
期刊论文
[1]面向智能交通系统的物联网体系结构的研究[J]. 旷利平. 科技创新导报. 2019(34)
[2]基于ST-CNN的交通标志实时检测识别算法[J]. 曲佳博,秦勃. 计算机科学. 2019(S2)
[3]基于YOLO v3的交通标志牌检测识别[J]. 潘卫国,刘博,陈英昊,石洪丽. 传感器与微系统. 2019(11)
[4]用于交通标志检测的窗口大小聚类残差SSD模型[J]. 宋青松,王兴莉,张超,陈禹,宋焕生,KHATTAK Asad Jan. 湖南大学学报(自然科学版). 2019(10)
[5]结合反残差块和YOLOv3的目标检测法[J]. 焦天驰,李强,林茂松,贺贤珍. 传感器与微系统. 2019(09)
[6]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)
[7]改进的YOLO V3算法及其在小目标检测中的应用[J]. 鞠默然,罗海波,王仲博,何淼,常铮,惠斌. 光学学报. 2019(07)
[8]基于优化的卷积神经网络在交通标志识别中的应用[J]. 张邯,罗晓曙,袁荣尚. 现代电子技术. 2018(21)
[9]深度残差网络的多光谱遥感图像显著目标检测[J]. 戴玉超,张静,Fatih PORIKLI,何明一. 测绘学报. 2018(06)
[10]基于Faster R-CNN的车辆多属性识别[J]. 阮航,孙涵. 计算机技术与发展. 2018(10)
博士论文
[1]交通标志检测与识别研究[D]. 朱盈盈.华中科技大学 2018
硕士论文
[1]基于深度学习的交通标志检测及识别技术的应用研究[D]. 陈泽民.西安工程大学 2019
[2]基于机器视觉的监控视频智能处理系统[D]. 姜明.北京工业大学 2019
[3]基于深度卷积神经网络的小目标检测[D]. 郭之先.南昌航空大学 2018
[4]基于多层卷积神经网络的研究与应用[D]. 孙新胜.杭州电子科技大学 2018
[5]基于共享卷积神经网络的交通标志检测与识别研究[D]. 徐江.长安大学 2018
[6]深度学习算法研究及其在图像分类上的应用[D]. 王曙.南京邮电大学 2016
[7]一种基于模板匹配的交通标志识别方法[D]. 王洋.吉林大学 2013
本文编号：3230444
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
图２．１卷积运算过程??Ｆｉｇ．?２．１?Ｃｏｎｖｏｌｕｔｉｏｎ?ｏｐｅｒａｔｉｏｎ?ｐｒｏｃｅｓｓ??ｉ?Ｉ?］??３．激活函数??激活函数（ａｃｔｉｖａｔｉｏｎ）在卷积神经网络中的作用为增加网络模型的非线性，提高模??
??１０?ｓｉｇｍ〇＿???Ｄｅｒｉｖａｔｉｖｅ?ｏｆ?ｓｉｇｍｏｉｄ?ｆｕｎｃｔｉｏｎ??〇？＊?／?０．２０－?／??０．６－?／?０－１５－?／?＼??：ｉ—ＪＪＴｐ。二??＾＾?］?－４－３－２－１０?１?２?３?４??０．０?＇?１?＂＊＊??＇?？?＇?１?？??７??－１０．０?－７．３?－５．０?－２．，?ａ〇?２．５?Ｓ．０?７．３?１０．０?＾??（ａ）?Ｓｉｇｍｏｉｄ型函数?（ｂ）?Ｓｉｇｍｏｉｄ型函数梯度??图２．２?Ｓｉｇｍｏｉｄ函数及其函数梯度??Ｆｉｇ．?２．２?Ｓｉｇｍｏｉｄ?ｆｌｍｃｔｉｏｎ?ａｎｄ?ｉｔｓ?ｆｕｎｃｔｉｏｎａｌ?ｇｒａｄｉｅｎｔ??（２）?ＲｅＬＵ函数，其函数公式为：??ＲｅＬＵ?＝?ｍａｘ?（０；ｘ）?（２．２）??ＲｅＬＵ函数的优势在于当；ｃ＞＝０时，梯度值均为１，梯度保持稳定，解决了?Ｓｉｇｍｏｉｄ??函数在输入值特别大时，梯度为零的问题；而当；ｃ＜０时，梯度值为０，这样当输出为０??的神经元增多时，特征相差较大，向络泛化能力更强，并且减少了计算复杂度［３３】。因为??ＲｅＬＵ函数的这些优点，该函数目前得到了人们的广泛应用。图２．３为ＲｅＬＵ函数及其??导数的图像。??ＲｅＬＵ（ｘ）?１０｜????４?／?Ｉ０６??／?Ｉ０４??２?／??／?００?????＂＾６?＾４?＾２?２?４?Ｖ?－８?－６?－４?－２?０?２?＜?＊?８??（ａ）?ＲｅＬＵ型函数?（ｂ）?ＲｅＬＵ型函数梯度??图２．３?ＲｅＬＵ函数及其函数梯度??Ｆｉｇ．?２．３?ＲｅＬＵ?ｆｕｎｃｔｉｏｎ?ａｎｄ?ｉｔｓ?
?自然环境下基于改进Ｙ０Ｌ０ｖ３网络的交通标志识别研究???有利于网络的训练［３４］。??最大值米样（ｍａｘ?ｐｏｏｌｉｎｇ）和均值釆样（ｍｅａｎ?ｐｏｏｌｉｎｇ）是目前比较常见的池化方??式。输入图像划分为若干子区域，最大值采样是选择输出子区域的最大值，均值釆样??是选择输出子区域的平均值，；具体操作见图２．４。??????１?＾最大池化结果?１３?１０??５?１３?７?７?［?＞?????１０?１０??１２?４?９?１０?????４?１０?２?９??????：??平均池化结果?９?７??７?６?１０?１?Ｉ??＞???????１?、?７?５??图２．４池化操作示例：??Ｆｉｇ：?２．４?Ｅｘａｍｐｌｅ?ｏｆ?ｐｏｏｌｉｎｇ?ｏｐｅｒａｔｉｏｎ??５．全连接层??全连接层（Ｆｕｌｌｙｃｏｎｎｅｃｔｅｄｌａｙｅｒｓ，?ＦＣ）在卷积神经网络中，起到对目标进行分类的??作用。它将网络学习到的特征，映射到样本标记空间叫全连接层输出的数据一般会用??来做目标边框的回归和目标结果的分类。??６．输出层??在卷积神经网络中一般紧跟着全连接层的就是输出层。针对图像分类问题，输出层??输出目标的类别；针对图像检测任务，输出层输出目标的位置信息；在图像语义分割任??务中，输出层直接输出每个像素的分类结果。??２．２?ＹＯＬＯｖ３算法简介??目前，以深度学习为基础的目标检测方法，主要可以分为两大类：“ｔｗｏ－ｓｔａｇｅ”方法??和“ｏｎｅ－ｓｔａｇｅ”方法。“ｔｗｏ－ｓｔａｇｅ”指的是检测和识别这两个阶段，该方法是基于候选区??域的，代表算法有?Ｒｅｇｉｏｎ
【参考文献】：
期刊论文
[1]面向智能交通系统的物联网体系结构的研究[J]. 旷利平. 科技创新导报. 2019(34)
[2]基于ST-CNN的交通标志实时检测识别算法[J]. 曲佳博,秦勃. 计算机科学. 2019(S2)
[3]基于YOLO v3的交通标志牌检测识别[J]. 潘卫国,刘博,陈英昊,石洪丽. 传感器与微系统. 2019(11)
[4]用于交通标志检测的窗口大小聚类残差SSD模型[J]. 宋青松,王兴莉,张超,陈禹,宋焕生,KHATTAK Asad Jan. 湖南大学学报(自然科学版). 2019(10)
[5]结合反残差块和YOLOv3的目标检测法[J]. 焦天驰,李强,林茂松,贺贤珍. 传感器与微系统. 2019(09)
[6]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)
[7]改进的YOLO V3算法及其在小目标检测中的应用[J]. 鞠默然,罗海波,王仲博,何淼,常铮,惠斌. 光学学报. 2019(07)
[8]基于优化的卷积神经网络在交通标志识别中的应用[J]. 张邯,罗晓曙,袁荣尚. 现代电子技术. 2018(21)
[9]深度残差网络的多光谱遥感图像显著目标检测[J]. 戴玉超,张静,Fatih PORIKLI,何明一. 测绘学报. 2018(06)
[10]基于Faster R-CNN的车辆多属性识别[J]. 阮航,孙涵. 计算机技术与发展. 2018(10)
博士论文
[1]交通标志检测与识别研究[D]. 朱盈盈.华中科技大学 2018
硕士论文
[1]基于深度学习的交通标志检测及识别技术的应用研究[D]. 陈泽民.西安工程大学 2019
[2]基于机器视觉的监控视频智能处理系统[D]. 姜明.北京工业大学 2019
[3]基于深度卷积神经网络的小目标检测[D]. 郭之先.南昌航空大学 2018
[4]基于多层卷积神经网络的研究与应用[D]. 孙新胜.杭州电子科技大学 2018
[5]基于共享卷积神经网络的交通标志检测与识别研究[D]. 徐江.长安大学 2018
[6]深度学习算法研究及其在图像分类上的应用[D]. 王曙.南京邮电大学 2016
[7]一种基于模板匹配的交通标志识别方法[D]. 王洋.吉林大学 2013
本文编号：3230444
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3230444.html
