隨著經(jīng)濟(jì)的不斷發(fā)展,人們生活水平的不斷提高,汽車作為日常生活和生產(chǎn)中的重要交通工具得到了廣泛的普及,我國的汽車保有量不斷提升。為了應(yīng)對(duì)和緩解因汽車數(shù)量激增而帶來的一些列交通問題,包含先進(jìn)輔助駕駛系統(tǒng)、自適應(yīng)巡航控制系統(tǒng)等一些列先進(jìn)應(yīng)用系統(tǒng)的智能交通系統(tǒng)應(yīng)運(yùn)而生。交通標(biāo)志檢測(cè)與識(shí)別作為上述系統(tǒng)的重要組成部分,是計(jì)算機(jī)視覺、圖像處理、機(jī)器學(xué)習(xí)在智能交通領(lǐng)域的重要研究方向之一。近年來,由于深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域的火爆,基于深度學(xué)習(xí)的交通標(biāo)志檢測(cè)和識(shí)別研究也越來越受關(guān)注。在現(xiàn)實(shí)的行車場(chǎng)景下,交通環(huán)境的復(fù)雜性和不確定性導(dǎo)致交通標(biāo)志的實(shí)時(shí)檢測(cè)是一個(gè)極具挑戰(zhàn)性的任務(wù),因此一個(gè)優(yōu)秀的交通標(biāo)志檢測(cè)系統(tǒng)既要有較高的檢測(cè)精度,又要有較快的檢測(cè)速度。本文以基于深度學(xué)習(xí)的通用目標(biāo)檢測(cè)框架針對(duì)交通標(biāo)志牌檢測(cè)與識(shí)別問題進(jìn)行研究,將國內(nèi)城鎮(zhèn)、郊區(qū)、高速等道路場(chǎng)景常見的危險(xiǎn)標(biāo)志、禁止標(biāo)志和強(qiáng)制標(biāo)志三大交通標(biāo)志類型作為研究對(duì)象,使用Tensorflow深度學(xué)習(xí)框架進(jìn)行算法實(shí)現(xiàn)。本文針對(duì)交通標(biāo)志小目標(biāo)的檢測(cè),通過分析SSD對(duì)小目標(biāo)檢測(cè)效果較差的原因,提出改進(jìn)模型使用特征融合的方法生成新的檢測(cè)特征圖,并去除最后的兩個(gè)檢測(cè)特... 

【文章來源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：97 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１?Ｒ－ＣＮＮ系列算法流程概括圖??如上圖所示，該類算法的執(zhí)行過程是通過某一種候選區(qū)域提取機(jī)制選擇候??

第２章基于深度學(xué)習(xí)的交通標(biāo)志檢測(cè)算法研究??離較近或太小的情況下效果一般，需要在檢測(cè)精度和檢測(cè)速度上進(jìn)行權(quán)衡。單??階段目標(biāo)檢測(cè)算法思路流程概括如下圖２－２所示。??■?■■■■?■■■■■??■?■■■■?■■■■■??■?■■■■?■■■■■??■?■ＩＩＩ?■■■■■??Ｉ?Ｃｌａｓｓｅｓ??＿?■?＇。土??觀圖層??圖２－２單階段目標(biāo)檢測(cè)算法流概括圖??圖２＿２中可以看出在單階段目標(biāo)檢測(cè)算法執(zhí)行過程中將圖像輸入進(jìn)特征提??取網(wǎng)絡(luò)后直接在特征圖層上進(jìn)行回歸處理得到檢測(cè)目標(biāo)的位置和種類信息，相??較于兩階段目標(biāo)檢測(cè)算法需要提取感興趣候選區(qū)域后再進(jìn)行分類回歸，直接在??一個(gè)步驟中完成檢測(cè)，大大提高了模型的檢測(cè)速度。但是，如圖中所示目標(biāo)物??特征提取越充分的圖層位置越靠后，而靠后特征圖層的小目標(biāo)卻不顯著，導(dǎo)致??小目標(biāo)的檢測(cè)效果并不理想。??２．１．３?ＣＣＴＳＤＢ數(shù)據(jù)集介紹??以前大多數(shù)交通標(biāo)志檢測(cè)算法的研究是基于德國交通標(biāo)志檢測(cè)基準(zhǔn)??（ＧＴＳＤＢ）［３９］。ＧＴＳＤＢ將交通標(biāo)志牌分為三類：強(qiáng)制標(biāo)志、危險(xiǎn)標(biāo)志和禁止標(biāo)??志，其中包含了不同照明條件下各類道路的自然交通場(chǎng)景。數(shù)據(jù)集由９００張大??小為１３６０ｘ８００像素的圖像組成。實(shí)驗(yàn)分為６００張圖像（８４６個(gè)標(biāo)志）的訓(xùn)練集和??３００張圖像（３６０個(gè)標(biāo)志）的測(cè)試集。??為了對(duì)中國交通標(biāo)志檢測(cè)進(jìn)行研宄，選取了?ＣＣＴＳＤＢ數(shù)據(jù)集用于本章節(jié)模??型的訓(xùn)練一一ＣＣＴＳＤＢ數(shù)據(jù)集是由長沙理工大學(xué)的張建明老師團(tuán)隊(duì)制作并開??源［４０］。與ＧＴＳＤＢ相似，ＣＣＴＳＤＢ同樣將中國交通標(biāo)志分為三類，共有１５７２３??張圖片，包括不同類型的道路（公路、街道、農(nóng)村和城

山東大學(xué)碩士學(xué)位論文??圖片數(shù)量（１０２４ｘ７６８、１２８〇ｘ７２０、９１２ｘ６８４、５１３ｘ９９９、６４１ｘ９３６、４５７ｘ８８９、８５２ｘ５３８、??１０２２ｘ５０４、７５９ｘ４９７）占３３％。交通標(biāo)志種類牌示例如圖２－３所示。??．．．??強(qiáng)制標(biāo)志??危險(xiǎn)標(biāo)志??？？＠？？??禁止標(biāo)韋??圖２－３交通標(biāo)志種類牌示例??由于開源ＣＣＴＳＤＢ數(shù)據(jù)集并沒有劃分訓(xùn)練集和測(cè)試集，本章節(jié)將１２５１６張圖??片作為訓(xùn)練數(shù)據(jù)集，１０００張均勻抽取的圖片作為測(cè)試集。訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)??集交通標(biāo)志的種類和數(shù)量劃分如表２－１所示。??表２－１數(shù)據(jù)集劃分情況??訓(xùn)練集?測(cè)試集??標(biāo)志種類????圖片數(shù)量?標(biāo)志數(shù)量?圖片數(shù)量?標(biāo)志數(shù)量??危險(xiǎn)標(biāo)志?３１３８?３５６９?２３９?２８３??禁止標(biāo)志?６５６９?９５０３?５３４?７３４??強(qiáng)制標(biāo)志?４６４４?６０６４?３４５?４５４??總計(jì)?１２５１６?１９１３６?１０００?１４７１??在自然道路場(chǎng)景中，交通標(biāo)志的檢測(cè)往往是對(duì)小目標(biāo)的檢測(cè)。在目標(biāo)檢測(cè)??算法中，定義小目標(biāo)有兩種方式，一種是相對(duì)大小，例如圖像中檢測(cè)目標(biāo)像素??的長度和寬度小于原始圖像大小的０．１，可以認(rèn)為是小目標(biāo)；另一個(gè)是絕對(duì)大小??的定義，小于３２＊３２像素的對(duì)象可以認(rèn)為是小目標(biāo)。在本章所用ＣＣＴＳＤＢ數(shù)據(jù)??集中１３５１６張圖像的ｇｒｏｕｎｄ?ｔｒｕｔｈ的相對(duì)大小如圖２－４所示。??１０??

【參考文獻(xiàn)】：
期刊論文
[1]基于國家車輛事故深度調(diào)查體系的道路交通事故駕駛員人因分析[J]. 高紅麗,鄧昌俊,王文迪,范雙雙.  科學(xué)技術(shù)與工程. 2019(19)
[2]復(fù)雜光照條件下交通標(biāo)志牌檢測(cè)[J]. 李文舉,陳奇,董天禎,陸云帆,韋麗華.  中國科技論文. 2018(02)
[3]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法綜述[J]. 周曉彥,王珂,李凌燕.  電子測(cè)量技術(shù). 2017(11)
[4]基于顏色和形狀的道路交通標(biāo)志檢測(cè)[J]. 譚兵,高歌,陳心睿.  現(xiàn)代商貿(mào)工業(yè). 2017(13)
[5]基于顏色空間和模板匹配的交通標(biāo)志檢測(cè)方法[J]. 郝博聞,梁宇峰,李文強(qiáng),倪鈺婷,溫斯傲,劉展寧.  智能計(jì)算機(jī)與應(yīng)用. 2016(04)
[6]基于視覺認(rèn)知的禁令交通標(biāo)志檢測(cè)[J]. 胡曉光,程承旗,李德仁.  北京大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(06)
[7]基于高斯顏色模型和SVM的交通標(biāo)志檢測(cè)[J]. 常發(fā)亮,黃翠,劉成云,趙永國,馬傳峰.  儀器儀表學(xué)報(bào). 2014(01)



本文編號(hào)：3573149