交通標志檢測是智能車有關的關鍵技術之一,準確、實時地獲取交通標志信息有助于減少或避免交通事故發(fā)生。常規(guī)的交通標志檢測方法檢測效率難以進一步顯著提升,而深度學習方法往往具有強大的特征表征能力,在交通標志檢測領域具有廣泛的應用潛力。開展基于深度學習的交通標志檢測方法研究具有重大理論和現(xiàn)實意義。針對交通標志目標檢測問題,本文設計并實現(xiàn)了一種基于窗口大小聚類和多尺度特征融合的SSD（Single Shot MultiBox Detector）深度神經(jīng)網(wǎng)絡方法。首先,開展了交通標志檢測基準數(shù)據(jù)集的調(diào)查研究,并對選定的數(shù)據(jù)集進行增廣預處理,改善樣本多樣性。然后,提出了一種改進的SSD模型,該模型將原始SSD模型中的VGG16基礎網(wǎng)絡替換為更深的ResNet50殘差網(wǎng)絡,以改善特征表征能力;采用K-均值聚類算法取代盲目搜索機制,確定SSD中默認窗口的大小;引入多尺度特征融合機制,綜合淺層的高分辨率特征和深層的語義特征共同用于決策。進而,系統(tǒng)地開展Faster R-CNN、FPN、原始SSD模型和本文方法檢測性能比較實驗研究。針對德國交通標志檢測數(shù)據(jù)集,本文方法獲得97.96%mAP（mean Ave... 

【文章來源】：長安大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 交通標志檢測的研究難點
    1.4 本文主要內(nèi)容和章節(jié)安排
第二章 基準數(shù)據(jù)集與深度學習相關技術
    2.1 實驗數(shù)據(jù)
        2.1.1 基準數(shù)據(jù)集
        2.1.2 數(shù)據(jù)集分析
        2.1.3 數(shù)據(jù)增廣
    2.2 深度學習相關技術
        2.2.1 卷積神經(jīng)網(wǎng)絡
        2.2.2 權重初始化
        2.2.3 激活函數(shù)
        2.2.4 優(yōu)化器
    2.3 殘差網(wǎng)絡
    2.4 多尺度特征融合
    2.5 K-均值聚類算法
    2.6 非極大值抑制
    2.7 本章小結(jié)
第三章 基于窗口大小聚類和多尺度特征融合的SSD檢測方法
    3.1 原始SSD檢測方法
        3.1.1 原始SSD模型
        3.1.2 存在的問題
    3.2 本文檢測方法
        3.2.1 K-均值聚類確定默認窗口大小
        3.2.2 改進的SSD模型（本文模型）
    3.3 檢測算法流程
    3.4 本章小結(jié)
第四章 實驗與分析
    4.1 實驗環(huán)境
    4.2 評價標準
        4.2.1 檢測準確率
        4.2.2 速度
    4.3 訓練樣本擴充
    4.4 預訓練與微調(diào)
    4.5 GTSDB數(shù)據(jù)集檢測
        4.5.1 基礎網(wǎng)絡比選實驗
        4.5.2 默認框生成方式比選實驗
        4.5.3 多尺度特征融合比選實驗
    4.6 CTSD數(shù)據(jù)集檢測
    4.7 檢測結(jié)果分析
    4.8 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
攻讀學位期間取得的研究成果
致謝


【參考文獻】：
期刊論文
[1]深度神經(jīng)網(wǎng)絡訓練中梯度不穩(wěn)定現(xiàn)象研究綜述[J]. 陳建廷,向陽.  軟件學報. 2018(07)
[2]優(yōu)化初始聚類中心及確定K值的K-means算法[J]. 蔣麗,薛善良.  計算機與數(shù)字工程. 2018(01)
[3]基于隨機森林的人臉關鍵點精確定位方法[J]. 王麗婷,丁曉青,方馳.  清華大學學報(自然科學版). 2009(04)

博士論文
[1]駕駛員對交通標志的視覺信息認知過程實驗研究[D]. 關偉.北京工業(yè)大學 2014

碩士論文
[1]基于機器學習的交通標志檢測與分類方法研究[D]. 曹繼承.電子科技大學 2018
[2]基于多尺度卷積神經(jīng)網(wǎng)絡的交通標志識別方法[D]. 田正鑫.長安大學 2017
[3]基于深度學習的場景分類[D]. 張建國.遼寧工業(yè)大學 2016
[4]智能行車系統(tǒng)防搖控制[D]. 嚴晶.上海交通大學 2008



本文編號：3151144