交通標(biāo)志檢測(cè)和識(shí)別是無人駕駛汽車中的關(guān)鍵技術(shù)之一,近年來受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。隨著計(jì)算機(jī)計(jì)算能力的不斷提高以及深度學(xué)習(xí)技術(shù)的蓬勃發(fā)展,基于圖像的目標(biāo)檢測(cè)取得了較好的效果�；诰矸e神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法在交通標(biāo)志檢測(cè)中有著廣泛的應(yīng)用前景和研究?jī)r(jià)值。本文研究了基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志檢測(cè)方法,結(jié)合交通標(biāo)志的特點(diǎn)對(duì)基于回歸方法的目標(biāo)檢測(cè)模型進(jìn)行了改進(jìn)和優(yōu)化,提出了基于回歸方法的交通標(biāo)志檢測(cè)模型,并且通過網(wǎng)絡(luò)層連接融合提高檢測(cè)網(wǎng)絡(luò)對(duì)像素占比過低的交通標(biāo)志的檢測(cè)能力。本文工作主要包括:(1)提出了三種檢測(cè)模型網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)和改進(jìn)方法。在YOLOv2網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)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(shí)減少模型的參數(shù),簡(jiǎn)化了運(yùn)算;利用ResNet方法設(shè)計(jì)了多種殘差模塊,通過跨層連接的方式緩解深度卷積網(wǎng)絡(luò)在梯度回傳時(shí)可能出現(xiàn)的梯度消失和梯度爆炸現(xiàn)象;將檢測(cè)網(wǎng)絡(luò)中的池化操作替換為步長(zhǎng)為2的卷積操作,利用卷積層降維,同時(shí)在網(wǎng)絡(luò)底部增加多個(gè)1×1卷積層提取交通標(biāo)志特征。在GTSDB數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,上述三種方法對(duì)模型的檢測(cè)效果均有一定程度的提升。(2)對(duì)...

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)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(biāo)志檢測(cè)研究現(xiàn)狀
        1.2.1 傳統(tǒng)交通標(biāo)志檢測(cè)方法
        1.2.2 基于深度學(xué)習(xí)的交通標(biāo)志檢測(cè)方法
    1.3 交通標(biāo)志檢測(cè)重難點(diǎn)
    1.4 論文的主要工作
        1.4.1 主要研究?jī)?nèi)容
        1.4.2 論文的框架
2 交通標(biāo)志檢測(cè)和卷積神經(jīng)網(wǎng)絡(luò)相關(guān)技術(shù)
    2.1 交通標(biāo)志檢測(cè)流程和常用技術(shù)
        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(jīng)網(wǎng)絡(luò)相關(guān)技術(shù)
        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(shù)
        2.2.5 典型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    2.3 基于回歸方法的目標(biāo)檢測(cè)模型
        2.3.1 YOLO
        2.3.2 YOLOv2
        2.3.3 回歸方法在交通標(biāo)志檢測(cè)中的應(yīng)用
    2.4 本章小結(jié)
3 交通標(biāo)志檢測(cè)模型網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)和改進(jìn)
    3.1 YOLOv2 模型的網(wǎng)絡(luò)結(jié)構(gòu)
    3.2 卷積層分解
    3.3 殘差網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)
    3.4 利用卷積層降維的嘗試
    3.5 本章小結(jié)
4 基于回歸方法的交通標(biāo)志檢測(cè)模型及其訓(xùn)練方法的優(yōu)化
    4.1 批標(biāo)準(zhǔn)化和批再標(biāo)準(zhǔn)化
        4.1.1 批標(biāo)準(zhǔn)化(Batch normalization)
        4.1.2 批再標(biāo)準(zhǔn)化(Batch Renormalization)
    4.2 損失函數(shù)的優(yōu)化
    4.3 基于回歸方法的交通標(biāo)志檢測(cè)模型
    4.4 實(shí)驗(yàn)結(jié)果和分析
    4.5 本章小結(jié)
5 基于特征融合的交通標(biāo)志檢測(cè)
    5.1 交通標(biāo)志檢測(cè)模型的效果和不足
    5.2 基于特征融合的交通標(biāo)志檢測(cè)模型
    5.3 實(shí)驗(yàn)結(jié)果和分析
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3783178