本文選題：卷積神經(jīng)網(wǎng)絡(luò)　切入點(diǎn)：目標(biāo)識(shí)別　出處：《大連理工大學(xué)》2015年碩士論文

【摘要】：在機(jī)動(dòng)車通行道路上設(shè)置交通標(biāo)志,對(duì)調(diào)節(jié)交通流量和提高道路的通行能力都起著重要的作用,它還可以預(yù)先把當(dāng)前的道路狀況向駕駛?cè)藛T做出指示,讓駕駛?cè)藛T提前有所準(zhǔn)備,從而降低交通事故發(fā)生的概率。但近年來(lái),隨著車輛數(shù)量的增加和道路狀況的日益復(fù)雜,交通安全問(wèn)題引發(fā)了人們的熱議,智能交通系統(tǒng)也受到各方的關(guān)注,該系統(tǒng)通過(guò)綜合運(yùn)用先進(jìn)的科學(xué)技術(shù),建立一個(gè)可以主動(dòng)控制車輛安全行駛的系統(tǒng)。交通標(biāo)志識(shí)別作為該系統(tǒng)中輔助駕駛系統(tǒng)的一個(gè)重要功能,在整個(gè)系統(tǒng)中發(fā)揮了巨大的作用,各國(guó)政府和汽車制造商對(duì)這一問(wèn)題進(jìn)行了多年的研究,但由于真實(shí)交通環(huán)境的復(fù)雜性,還有許多問(wèn)題尚待解決。為此,本論文對(duì)交通標(biāo)志檢測(cè)和識(shí)別這一問(wèn)題作為研究主題,運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)的方法對(duì)其進(jìn)行研究和分析。在交通標(biāo)志檢測(cè)問(wèn)題上,為了提高從場(chǎng)景圖像中檢測(cè)交通標(biāo)志的速度和準(zhǔn)確度,本文提出一種非對(duì)稱卷積神經(jīng)網(wǎng)絡(luò)的算法。該算法首先要從原始圖像中提取ROI區(qū)域,而后進(jìn)行分類,前期提取ROI區(qū)域的方法是用傳統(tǒng)的顏色轉(zhuǎn)換和形狀匹配的方法進(jìn)行,實(shí)驗(yàn)使用的原始圖像來(lái)源于德國(guó)交通標(biāo)志檢測(cè)基準(zhǔn)數(shù)據(jù)集。通過(guò)實(shí)驗(yàn)表明,該算法可以克服圖像中交通標(biāo)志尺寸過(guò)小、不良天氣和標(biāo)志褪色等不良影響,魯棒性較好,證明了算法的有效性。在交通標(biāo)志識(shí)別問(wèn)題上,提出了一種多分辨率卷積神經(jīng)網(wǎng)絡(luò)算法,用于解決使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行交通標(biāo)志識(shí)別時(shí)訓(xùn)練時(shí)間長(zhǎng)的問(wèn)題。該算法在基于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,使用兩個(gè)不同的分支訓(xùn)練網(wǎng)絡(luò),提取特征并進(jìn)行分類。將圖像預(yù)處理為一個(gè)高分辨率圖像數(shù)據(jù)集和一個(gè)低分辨率圖像數(shù)據(jù)集,分別作為兩個(gè)分支的輸入,高分辨率分支可以更好的提取全局輪廓特征,低分辨率分支可以更好的提取局部細(xì)節(jié)特征,然后通過(guò)全連接層整合兩個(gè)分支提取的特征,最后通過(guò)分類器進(jìn)行分類識(shí)別。在GTSRB數(shù)據(jù)集上的實(shí)驗(yàn)表明,該算法在保證高識(shí)別精度的同時(shí),大幅度降低了訓(xùn)練時(shí)間,兼顧了交通標(biāo)志識(shí)別的準(zhǔn)確性和實(shí)時(shí)性。
[Abstract]:The setting up of traffic signs on motor vehicle roads plays an important role in regulating traffic flow and improving the capacity of roads. It can also give directions to drivers in advance on the current road conditions.Make drivers prepare ahead of time, thus reducing the probability of traffic accidents.However, in recent years, with the increase of the number of vehicles and the increasing complexity of road conditions, traffic safety issues have aroused heated discussion, and the intelligent transportation system has also attracted the attention of all parties. The system through the comprehensive use of advanced science and technology,Establish a system that can actively control the safety of the vehicle.As an important function of the auxiliary driving system, traffic sign recognition has played an important role in the whole system. Governments and automobile manufacturers have studied this problem for many years.However, due to the complexity of the real traffic environment, there are still many problems to be solved.Therefore, this paper studies and analyzes traffic sign detection and recognition using convolution neural network.In order to improve the speed and accuracy of detecting traffic signs from scene images, an asymmetric convolution neural network algorithm is proposed in this paper.The algorithm firstly extracts ROI region from the original image and then classifies it. The previous extraction method of ROI region is based on the traditional color conversion and shape matching method.The original images used in the experiment come from the German traffic sign detection datum data set.Experiments show that the algorithm can overcome the bad effects such as too small size of traffic signs, bad weather and fading of signs in the image, and the robustness of the algorithm is good, and the effectiveness of the algorithm is proved.In traffic sign recognition, a multi-resolution convolution neural network algorithm is proposed to solve the problem of long training time in traffic sign recognition using convolution neural network.Based on the traditional convolution neural network, the algorithm uses two different branches to train the network to extract features and classify them.Preprocessing the image into a high-resolution image data set and a low-resolution image data set, respectively as the input of the two branches, the high-resolution branch can better extract the global contour features.Low resolution branching can better extract local detail features, and then integrate the features of the two branches through the full join layer, and finally classify and recognize by classifier.Experiments on the GTSRB dataset show that the algorithm not only ensures high recognition accuracy, but also reduces the training time and takes into account the accuracy and real time of traffic sign recognition.
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：U495;TP391.41

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 韓強(qiáng);;基于廣義Hough變換的手寫文檔整詞定位[J];安徽電子信息職業(yè)技術(shù)學(xué)院學(xué)報(bào);2011年05期

2 程剛;鄭小華;陽(yáng)鋒;徐祖艦;;三維全景視覺技術(shù)在農(nóng)業(yè)機(jī)器人中的應(yīng)用[J];安徽農(nóng)業(yè)科學(xué);2010年34期

3 何海燕;施培蓓;;基于改進(jìn)AdaBoost算法的行人檢測(cè)方法[J];安慶師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2009年03期

4 吳慧蘭;劉國(guó)棟;劉炳國(guó);胡濤;浦昭邦;;ICF實(shí)驗(yàn)靶定位技術(shù)研究[J];半導(dǎo)體光電;2008年05期

5 陳京;袁保宗;劉渭濱;;多視點(diǎn)標(biāo)定圖像的交替迭代度量重建方法[J];北京交通大學(xué)學(xué)報(bào);2012年02期

6 周峰;劉輝;李超峰;;SIFT算法在圖像配準(zhǔn)中的應(yīng)用[J];辦公自動(dòng)化;2009年22期

7 劉彬;葉麗娜;;一種基于SIFT特征的序列圖像拼接算法[J];兵工自動(dòng)化;2009年06期

8 劉煥敏;王華;段慧芬;;一種改進(jìn)的SIFT雙向匹配算法[J];兵工自動(dòng)化;2009年06期

9 彭勃;周文暉;劉濟(jì)林;;基于Harris角點(diǎn)檢測(cè)的立體視覺里程計(jì)[J];兵工學(xué)報(bào);2007年12期

10 陳冰;趙亦工;李欣;;基于高斯尺度空間的末制導(dǎo)目標(biāo)跟蹤方法[J];兵工學(xué)報(bào);2009年05期

相關(guān)會(huì)議論文 前10條

1 劉善磊;張亮;;基于相位相關(guān)和SURF算法的關(guān)鍵幀實(shí)時(shí)匹配研究[A];江蘇省測(cè)繪學(xué)會(huì)2011年學(xué)術(shù)年會(huì)論文集[C];2011年

2 隋樹林;孫立宏;姚文龍;袁健;;融合改進(jìn)UKF/SIFT信息的自主光學(xué)導(dǎo)航方法[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

3 汪力;葉樺;夏良正;;利用特征點(diǎn)定位嘴巴[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

4 ;Loop-closing By Using SIFT Features for Mobile Robots[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

5 周凱;范瑞霞;李位星;;一種基于SIFT的MeanShift-粒子濾波融合跟蹤算法[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

6 ;Rapid Target Recognition and Tracking under Large Scale Variation Using Semi-Naive Bayesian[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

7 ;A High-level Image Sequence Fusion Algorithm for Human Detection[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

8 鄒麗暉;陳杰;張娟;竇麗華;;一種基于時(shí)空域流形的視頻序列圖像拼接算法[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

9 ;Machine Vision Based Flotation Froth Mobility Analysis[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

10 孫明竹;趙新;程小燕;孫程;盧桂章;;面向復(fù)雜作業(yè)的微操作機(jī)器人關(guān)鍵技術(shù)研究[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 王玉全;基于全景視覺的移動(dòng)機(jī)器人同時(shí)定位與地圖創(chuàng)建方法研究[D];哈爾濱工程大學(xué);2010年

2 梁洪;基于內(nèi)容的醫(yī)學(xué)圖像檢索及語(yǔ)義建模關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2010年

3 任楨;圖像分類任務(wù)的關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2010年

4 孔凡芝;引線鍵合視覺檢測(cè)關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2009年

5 王作為;具有認(rèn)知能力的智能機(jī)器人行為學(xué)習(xí)方法研究[D];哈爾濱工程大學(xué);2010年

6 肖潔;視覺注意模型及其在目標(biāo)感知中的應(yīng)用研究[D];華中科技大學(xué);2010年

7 朱清波;序列圖像三維重建方法研究[D];華中科技大學(xué);2010年

8 田文;多視圖圖像的快速三維場(chǎng)景重建[D];華中科技大學(xué);2010年

9 涂虬;智能視覺監(jiān)視中目標(biāo)檢測(cè)與跟蹤算法研究[D];華中科技大學(xué);2010年

10 章鵬;多尺度特征檢測(cè)：方法和應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 宋抗;壓縮機(jī)活塞圓度誤差數(shù)字檢測(cè)系統(tǒng)研究[D];河南理工大學(xué);2010年

2 陳忠翔;基于立體視覺的三維重建方法研究[D];南昌航空大學(xué);2010年

3 雒燕飛;地質(zhì)災(zāi)害應(yīng)急地理信息數(shù)據(jù)庫(kù)設(shè)計(jì)及其應(yīng)用[D];山東科技大學(xué);2010年

4 唐紅梅;基于輻射與空間信息的遙感圖像檢索[D];山東科技大學(xué);2010年

5 倪希亮;基于尺度不變特征的多源遙感影像配準(zhǔn)[D];山東科技大學(xué);2010年

6 賈偉潔;SAR影像與光學(xué)影像配準(zhǔn)研究[D];山東科技大學(xué);2010年

7 任天宇;自穩(wěn)定航拍系統(tǒng)算法與設(shè)計(jì)[D];長(zhǎng)春理工大學(xué);2010年

8 李躍;三維運(yùn)動(dòng)估計(jì)在織物動(dòng)態(tài)仿真中的應(yīng)用[D];浙江理工大學(xué);2010年

9 婁錚錚;sIB算法在圖像無(wú)監(jiān)督分類中的應(yīng)用研究[D];鄭州大學(xué);2010年

10 王博;全景視覺智能移動(dòng)機(jī)器人固有環(huán)境定位[D];哈爾濱工程大學(xué);2010年

，

本文編號(hào)：1694717