隨著科技的發(fā)展,智能駕駛系統(tǒng)越來(lái)越接近人們的生活。作為道路上重要的指示信息,交通標(biāo)志識(shí)別的準(zhǔn)確與否至為重要。在實(shí)際的道路交通中,采集到的圖像受到實(shí)時(shí)天氣的影響,存在著光照過(guò)強(qiáng)或過(guò)弱、模糊等情況;同時(shí)由于角度問(wèn)題,也存在形變、遮擋,這些問(wèn)題都極大的增加了交通標(biāo)志識(shí)別的難度。本文主要針對(duì)霧霾條件下的交通標(biāo)志的識(shí)別進(jìn)行研究,提出了基于特征復(fù)用的卷積神經(jīng)網(wǎng)絡(luò)去霧算法,并提出了基于自適應(yīng)仿射變換網(wǎng)絡(luò)的交通標(biāo)志識(shí)別網(wǎng)絡(luò)。本文在進(jìn)行去霧算法的改進(jìn)時(shí),充分理解大氣散射模型的基本理論,并對(duì)暗通道算法進(jìn)行了復(fù)原以提高對(duì)單幅圖像去霧過(guò)程的理解。通過(guò)分析暗通道算法的局限性,例如多次計(jì)算下誤差的累積,無(wú)法適用于大面積天空區(qū)域等,提出了一種基于特征復(fù)用的卷積神經(jīng)網(wǎng)絡(luò)去霧算法。該算法以大氣散射模型作為理論基礎(chǔ),通過(guò)將有霧圖像與無(wú)霧圖像建立起對(duì)應(yīng)關(guān)系,獲得更佳的圖像去霧效果。在該網(wǎng)絡(luò)中,特征復(fù)用單元將前一層特征重復(fù)使用,減少每次卷積操作所需提取的特征數(shù)量,并將低層特征與高層特征相結(jié)合,提高了對(duì)低層特征的表達(dá)能力,有效的減小了對(duì)網(wǎng)絡(luò)層數(shù)的依賴性。另一方面,由于本算法直接在有霧圖像及無(wú)霧圖像之間建立聯(lián)系,極大程度的避免了... 

【文章來(lái)源】：中北大學(xué)山西省

【文章頁(yè)數(shù)】：86 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

神經(jīng)網(wǎng)絡(luò)圖

圖 2.2 全連接網(wǎng)絡(luò)和局部連接網(wǎng)絡(luò)藏層中有一萬(wàn)個(gè)神經(jīng)元的 10000x1000 像素的單通道灰連接網(wǎng)絡(luò)中，因?yàn)閳D中的每個(gè)像素都需要連接到每個(gè)在右側(cè)的局部連接網(wǎng)絡(luò)中，神經(jīng)元只需要連接卷積核接到 10x10 的區(qū)域的參數(shù)只有 106個(gè)參數(shù)。與前者一。所示的解釋中，我們?nèi)约僭O(shè)卷積核的大小是 10x10。個(gè)神經(jīng)元需要連接權(quán)重參數(shù)為 100。如果使用不同的權(quán)重參數(shù)為卷積核個(gè)數(shù)再乘以單個(gè)卷積核的權(quán)重參數(shù)卷積核那么該網(wǎng)絡(luò)就只需要 100 個(gè)參數(shù)了，這就是權(quán)效率，同時(shí)也減少了需要學(xué)習(xí)的參數(shù)數(shù)量。為例，如圖 2.3 所示為 LeNet-5 的基本網(wǎng)絡(luò)結(jié)構(gòu)。在

邊的全連接網(wǎng)絡(luò)中，因?yàn)閳D中的每個(gè)像素都需要連接到每個(gè)神經(jīng)元一個(gè)連接。在右側(cè)的局部連接網(wǎng)絡(luò)中，神經(jīng)元只需要連接卷積核。假設(shè)卷x10，則連接到 10x10 的區(qū)域的參數(shù)只有 106個(gè)參數(shù)。與前者相比，后的 104分之一。權(quán)值共享所示的解釋中，我們?nèi)约僭O(shè)卷積核的大小是 10x10。在右圖所絡(luò)中，每個(gè)神經(jīng)元需要連接權(quán)重參數(shù)為 100。如果使用不同的卷積核，要連接的權(quán)重參數(shù)為卷積核個(gè)數(shù)再乘以單個(gè)卷積核的權(quán)重參數(shù)，但如果用同一個(gè)卷積核那么該網(wǎng)絡(luò)就只需要 100 個(gè)參數(shù)了，這就是權(quán)重共享。高了學(xué)習(xí)效率，同時(shí)也減少了需要學(xué)習(xí)的參數(shù)數(shù)量。 LeNet-5 為例，如圖 2.3 所示為 LeNet-5 的基本網(wǎng)絡(luò)結(jié)構(gòu)。在該網(wǎng)絡(luò)中、卷積層(Convolutional Layer)、池化層(Pooling Layer)、全連接層(Fuller)以及輸出層。

【參考文獻(xiàn)】：
期刊論文
[1]2018年中國(guó)汽車市場(chǎng)盤(pán)點(diǎn)[J]. 趙黎.  汽車縱橫. 2019(02)
[2]圖像去霧的最新研究進(jìn)展[J]. 吳迪,朱青松.  自動(dòng)化學(xué)報(bào). 2015(02)
[3]基于視覺(jué)注意機(jī)制的交通標(biāo)志檢測(cè)[J]. 劉芳,鄒琪.  計(jì)算機(jī)工程. 2013(02)
[4]一種基于單尺度Retinex的霧天降質(zhì)圖像增強(qiáng)新算法[J]. 黃黎紅.  應(yīng)用光學(xué). 2010(05)
[5]自然場(chǎng)景下交通標(biāo)志的自動(dòng)識(shí)別算法[J]. 何耀平,徐麗珍.  微計(jì)算機(jī)信息. 2010(04)



本文編號(hào)：3070177