本文選題：卷積神經網絡　切入點：交通標志　出處：《陜西師范大學學報(自然科學版)》2017年02期 　論文類型：期刊論文

【摘要】：以真實場景中拍攝的交通標志圖像數據集GTSRB為研究對象,將卷積神經網絡與支持向量機相結合,提出一種基于二級改進LeNet-5的交通標志識別算法。該算法首先根據識別系統(tǒng)的實時性要求,對原始LeNet-5結構進行改進;然后用裁剪、灰度化、圖像增強和尺寸歸一化等操作對原始圖像進行預處理,得到32×32的感興趣區(qū)域;接下來,利用數據集GTSRB訓練出一個二級改進LeNet-5,其中第一級改進LeNet-5將感興趣區(qū)域中包含的交通標志粗分為6類,第二級改進LeNet-5對粗分類結果進行細分類,識別出交通標志所屬的最終類別。實驗結果表明,基于二級改進LeNet-5交通標志識別算法因網絡模型能夠提取交通標志的多尺度特征,識別正確率可達91.76%。
[Abstract]:Taking the real scene traffic sign image data set GTSRB as the research object, the convolution neural network and the support vector machine are combined. A traffic sign recognition algorithm based on two-level improved LeNet-5 is proposed. Firstly, the original LeNet-5 structure is improved according to the real-time requirements of the recognition system, and then the original LeNet-5 structure is clipped and grayscale. Image enhancement and size normalization operations preprocess the original image to obtain 32 脳 32 regions of interest. A second-level improved LeNet-5 is trained by using the data set GTSRB, in which the first improved LeNet-5 divides the traffic signs contained in the region of interest into six categories, and the second improved LeNet-5 subdivides the results of the rough classification. The experimental results show that the traffic sign recognition algorithm based on two-level improved LeNet-5 can extract the multi-scale features of traffic signs, and the recognition accuracy can reach 91.76.
【作者單位】： 陜西師范大學計算機科學學院;現代教學技術教育部重點實驗室;陜西省語音與圖像信息處理重點實驗室;
【基金】：國家自然科學基金(61501287,61501286) 陜西省重點實驗室開放共享項目(SAIIP201202) 陜西省自然科學基礎研究計劃(2015JQ6208)
【分類號】：U463.6;U495;TP391.41

【參考文獻】

相關期刊論文 前5條

1 李岳云;許悅雷;馬時平;史鶴歡;;深度卷積神經網絡的顯著性檢測[J];中國圖象圖形學報;2016年01期

2 楊潔;閆清東;梅向輝;;基于支持向量機的車輛行為分析方法研究[J];南京郵電大學學報(自然科學版);2015年04期

3 常發(fā)亮;黃翠;劉成云;趙永國;馬傳峰;;基于高斯顏色模型和SVM的交通標志檢測[J];儀器儀表學報;2014年01期

4 龐志勇;譚洪舟;陳弟虎;;一種改進的低成本自適應雙三次插值算法及VLSI實現[J];自動化學報;2013年04期

5 趙志宏;楊紹普;馬增強;;基于卷積神經網絡LeNet-5的車牌字符識別研究[J];系統(tǒng)仿真學報;2010年03期

【共引文獻】

相關期刊論文 前10條

1 劉云;楊建濱;王傳旭;;基于卷積神經網絡的蘋果缺陷檢測算法[J];電子測量技術;2017年03期

2 常祥;楊明;;基于改進的卷積神經網絡的圖像分類性能[J];重慶理工大學學報(自然科學);2017年03期

3 黨倩;馬苗;陳昱蒞;;基于二級改進LeNet-5的交通標志識別算法[J];陜西師范大學學報(自然科學版);2017年02期

4 杜玉龍;李建增;張巖;范聰;;基于深度交叉CNN和免交互GrabCut的顯著性檢測[J];計算機工程與應用;2017年03期

5 高燦;;一種基于CNN手寫字符識別的改進方法[J];黑龍江科技信息;2017年03期

6 甘澄;丁學文;;基于卷積神經網絡的車輛檢索方法研究[J];電腦知識與技術;2016年30期

7 趙燕飛;楊彥利;王麗娟;;基于顯著性和深度卷積神經網絡的輸送帶表面故障定位[J];工礦自動化;2016年12期

8 王忠民;曹洪江;范琳;;一種基于卷積神經網絡深度學習的人體行為識別方法[J];計算機科學;2016年S2期

9 鐘寶江;陸志芳;季家歡;;圖像插值技術綜述[J];數據采集與處理;2016年06期

10 張軍;張婷;楊正瓴;朱新山;楊伯軒;;深度卷積神經網絡的汽車車型識別方法[J];傳感器與微系統(tǒng);2016年11期

【二級參考文獻】

相關期刊論文 前10條

1 柳長源;畢曉君;韋琦;;基于向量機學習算法的多模式分類器的研究及改進[J];電機與控制學報;2013年01期

2 張卡;盛業(yè)華;趙東保;;視覺可量測實景影像的道路交通標志自動檢測[J];儀器儀表學報;2012年10期

3 劉春生;常發(fā)亮;陳振學;李爽;;改進的高斯膚色模型及其在人臉檢測中的應用[J];儀器儀表學報;2012年05期

4 盧盛榮;劉禮鋒;李翠華;;基于顏色分割和多特征融合的交通標志檢測[J];廈門大學學報(自然科學版);2011年04期

5 孫光民;王晶;于光宇;李罡;許磊;;自然背景中交通標志的檢測與識別[J];北京工業(yè)大學學報;2010年10期

6 董春利;董育寧;;基于視頻的車輛檢測與跟蹤算法綜述[J];南京郵電大學學報(自然科學版);2009年02期

7 廉飛宇;付麥霞;張元;;基于支持向量機的車輛牌照識別的研究[J];計算機工程與設計;2006年21期

8 張霄;彭維;;基于Hough變換的圓形物體的檢測[J];傳感器與微系統(tǒng);2006年04期

9 賈婧;葛萬成;陳康力;;基于輪廓結構和統(tǒng)計特征的字符識別研究[J];沈陽師范大學學報(自然科學版);2006年01期

10 任柯昱,唐丹,尹顯東;基于字符結構知識的車牌漢字快速識別技術[J];計算機測量與控制;2005年06期

，

本文編號：1635245