本文關(guān)鍵詞：一種融合加權(quán)ELM和AdaBoost的交通標(biāo)志識(shí)別算法　出處：《小型微型計(jì)算機(jī)系統(tǒng)》2017年09期 　論文類(lèi)型：期刊論文

  更多相關(guān)文章： 極限學(xué)習(xí)機(jī) 權(quán)重矩陣 最優(yōu)強(qiáng)分類(lèi)器 交通標(biāo)志識(shí)別 AdaBoost

【摘要】：作為一種新型的單隱層前饋型神經(jīng)網(wǎng)絡(luò),極限學(xué)習(xí)機(jī)(Extreme Learning Machine:ELM)相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法具有參數(shù)設(shè)置少、泛化性能強(qiáng)、訓(xùn)練和識(shí)別速度快等優(yōu)點(diǎn).為了有效提高交通標(biāo)志的識(shí)別速度和識(shí)別率,提出一種基于加權(quán)ELM和AdaBoost融合優(yōu)化的交通標(biāo)志識(shí)別新算法.該算法通過(guò)迭代更新原始ELM的訓(xùn)練權(quán)重,并利用加權(quán)后的ELM作為AdaBoost的弱分類(lèi)器,最終通過(guò)加權(quán)多數(shù)表決得到最優(yōu)強(qiáng)分類(lèi)器.最終實(shí)驗(yàn)結(jié)果表明,該算法能夠取得的交通標(biāo)志總識(shí)別率為99.12%,且單張交通標(biāo)志的識(shí)別時(shí)間為7.1ms,可以滿(mǎn)足實(shí)時(shí)識(shí)別應(yīng)用的需求,較好的改善了交通標(biāo)志的識(shí)別性能.
[Abstract]:As a new type of single hidden layer feedforward neural network. Compared with the traditional neural network learning algorithm, extreme Learning Machine: ELM has less parameter setting and better generalization performance. In order to improve the recognition speed and recognition rate of traffic signs effectively. A new traffic sign recognition algorithm based on weighted ELM and AdaBoost fusion optimization is proposed, which updates the training weight of the original ELM iteratively. The weighted ELM is used as the weak classifier of AdaBoost, and the optimal classifier is obtained by the weighted majority vote. Finally, the experimental results show that. The total recognition rate of traffic signs obtained by this algorithm is 99.12, and the recognition time of single traffic signs is 7.1 Ms, which can meet the needs of real-time recognition applications. Better performance of traffic sign recognition is improved.
【作者單位】： 天津大學(xué)電子信息工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(61372145)資助 天津大學(xué)自主創(chuàng)新基金項(xiàng)目(2015XZC-0005)資助
【分類(lèi)號(hào)】：TP18;U495
【正文快照】： 1引言交通標(biāo)志識(shí)別系統(tǒng)是現(xiàn)代智能交通系統(tǒng)的重要組成部分,同時(shí)也是汽車(chē)智能輔助駕駛系統(tǒng)和谷歌等無(wú)人駕駛汽車(chē)技術(shù)的核心模塊之一.它能實(shí)時(shí)檢測(cè)、識(shí)別駕駛環(huán)境中位于道路前方和兩旁的交通標(biāo)志并做出相應(yīng)的安全預(yù)警提示,對(duì)汽車(chē)的安全駕駛起到至關(guān)重要的作用.由于道路交通環(huán)境

【相似文獻(xiàn)】

相關(guān)期刊論文 前6條

1 林志陽(yáng);康耀紅;雷景生;;基于Adaboost的車(chē)標(biāo)定位方法[J];計(jì)算機(jī)工程;2008年11期

2 ;本期導(dǎo)語(yǔ)[J];交通信息與安全;2014年02期

3 楊凌曦;徐建閩;;AdaBoost人臉檢測(cè)算法在駕駛員疲勞檢測(cè)系統(tǒng)中的實(shí)現(xiàn)[J];交通與計(jì)算機(jī);2008年04期

4 劉天鍵;邱立達(dá);張寧;;改進(jìn)型AdaBoost算法在車(chē)輛檢測(cè)中的應(yīng)用[J];閩江學(xué)院學(xué)報(bào);2014年02期

5 魏武;張亞楠;武林林;;基于遺傳算法的改進(jìn)AdaBoost算法在汽車(chē)識(shí)別中的應(yīng)用[J];公路交通科技;2010年02期

6 張良春;夏利民;;基于Adaboost方法的高速公路事件檢測(cè)[J];計(jì)算機(jī)工程與應(yīng)用;2007年28期

相關(guān)碩士學(xué)位論文 前9條

1 張旭東;基于Adaboost和主動(dòng)性狀模型相結(jié)合的駕駛員疲勞檢測(cè)算法研究[D];河北工業(yè)大學(xué);2015年

2 李賡;基于Adaboost的安全帶檢測(cè)方法[D];合肥工業(yè)大學(xué);2015年

3 董曉曉;基于多塊LBP及AdaBoost算法的公交車(chē)客流量統(tǒng)計(jì)方法研究[D];西安電子科技大學(xué);2016年

4 張謙;基于改進(jìn)Adaboost算法的視頻車(chē)輛輪廓檢測(cè)算法研究[D];中原工學(xué)院;2017年

5 熊池亮;基于Adaboost算法的駕駛員疲勞駕駛檢測(cè)[D];電子科技大學(xué);2013年

6 李國(guó)政;基于幀差法和AdaBoost的運(yùn)動(dòng)車(chē)輛視頻檢測(cè)[D];昆明理工大學(xué);2014年

7 羅玉才;基于改進(jìn)Adaboost算法的車(chē)牌定位研究[D];西安電子科技大學(xué);2014年

8 張樂(lè);基于AdaBoost集成PSO-RBF的高速公路交通事件檢測(cè)算法研究[D];西南交通大學(xué);2014年

9 高洋;智能交通中行人檢測(cè)算法的研究與實(shí)現(xiàn)[D];大連海事大學(xué);2014年

，

本文編號(hào)：1379989