交通標志檢測和識別是無人駕駛汽車中的關鍵技術之一,近年來受到國內外學者的廣泛關注。隨著計算機計算能力的不斷提高以及深度學習技術的蓬勃發(fā)展,基于圖像的目標檢測取得了較好的效果�；诰矸e神經網絡的目標檢測方法在交通標志檢測中有著廣泛的應用前景和研究價值。本文研究了基于卷積神經網絡的交通標志檢測方法,結合交通標志的特點對基于回歸方法的目標檢測模型進行了改進和優(yōu)化,提出了基于回歸方法的交通標志檢測模型,并且通過網絡層連接融合提高檢測網絡對像素占比過低的交通標志的檢測能力。本文工作主要包括:(1)提出了三種檢測模型網絡結構設計和改進方法。在YOLOv2網絡結構的基礎上,將特征圖中3×3卷積層分解為3×1卷積層和1×3卷積層,使得模型深度加深的同時減少模型的參數,簡化了運算;利用ResNet方法設計了多種殘差模塊,通過跨層連接的方式緩解深度卷積網絡在梯度回傳時可能出現(xiàn)的梯度消失和梯度爆炸現(xiàn)象;將檢測網絡中的池化操作替換為步長為2的卷積操作,利用卷積層降維,同時在網絡底部增加多個1×1卷積層提取交通標志特征。在GTSDB數據集上的實驗結果表明,上述三種方法對模型的檢測效果均有一定程度的提升。(2)對...

【文章頁數】：69 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 交通標志檢測研究現(xiàn)狀
        1.2.1 傳統(tǒng)交通標志檢測方法
        1.2.2 基于深度學習的交通標志檢測方法
    1.3 交通標志檢測重難點
    1.4 論文的主要工作
        1.4.1 主要研究內容
        1.4.2 論文的框架
2 交通標志檢測和卷積神經網絡相關技術
    2.1 交通標志檢測流程和常用技術
        2.1.1 候選區(qū)域的獲取
        2.1.2 非極大值抑制(NMS)
        2.1.3 邊界框回歸
    2.2 卷積神經網絡相關技術
        2.2.1 卷積層
        2.2.2 池化層
        2.2.3 全連接層
        2.2.4 激活函數
        2.2.5 典型卷積神經網絡結構
    2.3 基于回歸方法的目標檢測模型
        2.3.1 YOLO
        2.3.2 YOLOv2
        2.3.3 回歸方法在交通標志檢測中的應用
    2.4 本章小結
3 交通標志檢測模型網絡結構的設計和改進
    3.1 YOLOv2 模型的網絡結構
    3.2 卷積層分解
    3.3 殘差網絡結構的設計
    3.4 利用卷積層降維的嘗試
    3.5 本章小結
4 基于回歸方法的交通標志檢測模型及其訓練方法的優(yōu)化
    4.1 批標準化和批再標準化
        4.1.1 批標準化(Batch normalization)
        4.1.2 批再標準化(Batch Renormalization)
    4.2 損失函數的優(yōu)化
    4.3 基于回歸方法的交通標志檢測模型
    4.4 實驗結果和分析
    4.5 本章小結
5 基于特征融合的交通標志檢測
    5.1 交通標志檢測模型的效果和不足
    5.2 基于特征融合的交通標志檢測模型
    5.3 實驗結果和分析
    5.4 本章小結
6 總結與展望
    6.1 工作總結
    6.2 工作展望
致謝
參考文獻
附錄



本文編號：3783178