基于深度學習的交通標志檢測識別算法研究
發(fā)布時間：2021-10-23 21:36
隨著汽車的增多和道路環(huán)境的復雜化,ITS受到了很多研究者的青睞,交通標志檢測和識別作為ITS中的關鍵問題,其實現(xiàn)對于整個系統(tǒng)的運行有著重要作用。由于道路環(huán)境日益復雜,特別是光照、天氣等外界因素的影響,傳統(tǒng)方法很難滿足實際需求。針對交通標志檢測與識別所面臨的實際問題,結(jié)合深度學習和圖像處理有關知識,開展道路交通標志檢測與識別問題的研究,設計并實現(xiàn)了基于深度學習的交通標志檢測和識別算法,并在此基礎上完成了交通標志檢測與識別原型系統(tǒng)的設計工作,相對于傳統(tǒng)方法在檢測精度和魯棒性上有較大提升。主要研究內(nèi)容有如下幾個方面:對交通標志的一般分類、常用的一些數(shù)據(jù)集、解決交通標志檢測和識別問題的一般思路以及學習框架Caffe進行了介紹,同時分析了深度學習的原理、激活函數(shù)以及常見的基礎網(wǎng)絡。傳統(tǒng)交通標志檢測方法存在著魯棒能力差、計算量大、檢測耗時等問題,為解決傳統(tǒng)方法存在的不足,結(jié)合深度學習有關知識,提出了基于Faster R-CNN的交通標志檢測算法。對Faster R-CNN目標檢測原理進行了分析,著重分析了網(wǎng)絡的特征提取、RPN網(wǎng)絡以及檢測網(wǎng)絡的工作過程。對GTSDB原始數(shù)據(jù)進行預處理和擴充,有效提...
【文章來源】：桂林電子科技大學廣西壯族自治區(qū)
【文章頁數(shù)】：74 頁
【學位級別】：碩士
【部分圖文】：
AlphaGo戰(zhàn)勝人類棋手深度學習的持續(xù)火熱，使得越來越多的人加入到其研究中來，除了Hinton、LeCun、
圖 1.2AlphaGo 戰(zhàn)勝人類棋手深度學習的持續(xù)火熱，使得越來越多的人加入到其研究中來，除了 Hinton、LeCun、Bengio 等著名學者外，也涌現(xiàn)出如 Abbeel、Goodfellow 等大量優(yōu)秀研究者，他們共同致力于深度學習技術(shù)的研究，推動整個世界的發(fā)展。當下，大量的深度學習優(yōu)秀文章和視頻可以通過互聯(lián)網(wǎng)直接獲取，各種各樣的開源代碼在 Github、CSDN 等網(wǎng)站上公布，促進了深度學習技術(shù)的全球資源共享。與此同時，加州大學伯克利分校、普林斯頓大學、蒙特利爾理工學院、谷歌、微軟、臉書、英偉達等紛紛推出各種實用化的深度學習研究框架（圖 1.3），使更多的人可以接觸到深度學習技術(shù)，其中 Caffe、Tensorflow、Keras 和 Pytorch 的使用人數(shù)最多，也最為流行。
False otherwise , (i, j) ThB( , ),True if bB i jFalse otherwise , ( (i, j) (i, j)) ThB( , ),True if r gG i jFalse otherwise ThB 為顏色分割閾值，其大小分別為 0.4、0.3、0測速度快，計算簡單。但閾值的選取通常根據(jù)經(jīng)驗，以發(fā)現(xiàn)只有 R、G、B 成比例變化時，其對應的分的魯棒性和泛化能力比較差。 彩色空間的交通標志檢測B 三個分量易受光照影響，因此很多研究者喜歡V、YCrCb 等。HSI 中，H、S 依次代表了色調(diào)、飽度，由于其不易受光照的影響，因此使用較多。HS結(jié)構(gòu)表示。
【參考文獻】：
期刊論文
[1]經(jīng)典聚類算法研究綜述[J]. 鄧林培. 科技傳播. 2019(05)
[2]結(jié)合YOLO檢測和語義分割的駕駛員安全帶檢測[J]. 吳天舒,張志佳,劉云鵬,郭婉妍,王子韜. 計算機輔助設計與圖形學學報. 2019(01)
[3]基于深度學習圖像語義分割的機器人環(huán)境感知[J]. 徐謙,李穎,王剛. 吉林大學學報(工學版). 2019(01)
[4]深度學習框架下數(shù)控機床運動誤差溯因方法[J]. 余永維,杜柳青. 儀器儀表學報. 2019(01)
[5]基于多尺度特征融合的遙感圖像場景分類[J]. 楊州,慕曉冬,王舒洋,馬晨暉. 光學精密工程. 2018(12)
[6]基于CNN的木材內(nèi)部CT圖像缺陷辨識[J]. 陳龍現(xiàn),葛浙東,羅瑞,劉傳澤,劉曉平,周玉成. 林業(yè)科學. 2018(11)
[7]自動駕駛場景下小且密集的交通標志檢測[J]. 葛園園,許有疆,趙帥,韓亞洪. 智能系統(tǒng)學報. 2018(03)
[8]地面交通控制的百年回顧和未來展望[J]. 李力,王飛躍. 自動化學報. 2018(04)
[9]基于卷積神經(jīng)網(wǎng)絡提取多尺度分層特征識別玉米雜草[J]. 王璨,武新慧,李志偉. 農(nóng)業(yè)工程學報. 2018(05)
[10]深度置信網(wǎng)絡的Spark并行化在微博情感分類中的應用研究[J]. 張翔,石力,尚勃,董麗麗. 計算機應用與軟件. 2018(02)
碩士論文
[1]基于支持向量機的交通標志識別系統(tǒng)的研究[D]. 黃志勇.北京工業(yè)大學 2004
本文編號：3453955
【文章來源】：桂林電子科技大學廣西壯族自治區(qū)
【文章頁數(shù)】：74 頁
【學位級別】：碩士
【部分圖文】：
AlphaGo戰(zhàn)勝人類棋手深度學習的持續(xù)火熱，使得越來越多的人加入到其研究中來，除了Hinton、LeCun、
圖 1.2AlphaGo 戰(zhàn)勝人類棋手深度學習的持續(xù)火熱，使得越來越多的人加入到其研究中來，除了 Hinton、LeCun、Bengio 等著名學者外，也涌現(xiàn)出如 Abbeel、Goodfellow 等大量優(yōu)秀研究者，他們共同致力于深度學習技術(shù)的研究，推動整個世界的發(fā)展。當下，大量的深度學習優(yōu)秀文章和視頻可以通過互聯(lián)網(wǎng)直接獲取，各種各樣的開源代碼在 Github、CSDN 等網(wǎng)站上公布，促進了深度學習技術(shù)的全球資源共享。與此同時，加州大學伯克利分校、普林斯頓大學、蒙特利爾理工學院、谷歌、微軟、臉書、英偉達等紛紛推出各種實用化的深度學習研究框架（圖 1.3），使更多的人可以接觸到深度學習技術(shù)，其中 Caffe、Tensorflow、Keras 和 Pytorch 的使用人數(shù)最多，也最為流行。
False otherwise , (i, j) ThB( , ),True if bB i jFalse otherwise , ( (i, j) (i, j)) ThB( , ),True if r gG i jFalse otherwise ThB 為顏色分割閾值，其大小分別為 0.4、0.3、0測速度快，計算簡單。但閾值的選取通常根據(jù)經(jīng)驗，以發(fā)現(xiàn)只有 R、G、B 成比例變化時，其對應的分的魯棒性和泛化能力比較差。 彩色空間的交通標志檢測B 三個分量易受光照影響，因此很多研究者喜歡V、YCrCb 等。HSI 中，H、S 依次代表了色調(diào)、飽度，由于其不易受光照的影響，因此使用較多。HS結(jié)構(gòu)表示。
【參考文獻】：
期刊論文
[1]經(jīng)典聚類算法研究綜述[J]. 鄧林培. 科技傳播. 2019(05)
[2]結(jié)合YOLO檢測和語義分割的駕駛員安全帶檢測[J]. 吳天舒,張志佳,劉云鵬,郭婉妍,王子韜. 計算機輔助設計與圖形學學報. 2019(01)
[3]基于深度學習圖像語義分割的機器人環(huán)境感知[J]. 徐謙,李穎,王剛. 吉林大學學報(工學版). 2019(01)
[4]深度學習框架下數(shù)控機床運動誤差溯因方法[J]. 余永維,杜柳青. 儀器儀表學報. 2019(01)
[5]基于多尺度特征融合的遙感圖像場景分類[J]. 楊州,慕曉冬,王舒洋,馬晨暉. 光學精密工程. 2018(12)
[6]基于CNN的木材內(nèi)部CT圖像缺陷辨識[J]. 陳龍現(xiàn),葛浙東,羅瑞,劉傳澤,劉曉平,周玉成. 林業(yè)科學. 2018(11)
[7]自動駕駛場景下小且密集的交通標志檢測[J]. 葛園園,許有疆,趙帥,韓亞洪. 智能系統(tǒng)學報. 2018(03)
[8]地面交通控制的百年回顧和未來展望[J]. 李力,王飛躍. 自動化學報. 2018(04)
[9]基于卷積神經(jīng)網(wǎng)絡提取多尺度分層特征識別玉米雜草[J]. 王璨,武新慧,李志偉. 農(nóng)業(yè)工程學報. 2018(05)
[10]深度置信網(wǎng)絡的Spark并行化在微博情感分類中的應用研究[J]. 張翔,石力,尚勃,董麗麗. 計算機應用與軟件. 2018(02)
碩士論文
[1]基于支持向量機的交通標志識別系統(tǒng)的研究[D]. 黃志勇.北京工業(yè)大學 2004
本文編號：3453955
本文鏈接：http://sikaile.net/kejilunwen/daoluqiaoliang/3453955.html
