交通標(biāo)志識(shí)別系統(tǒng)作為高級(jí)輔助駕駛系統(tǒng)的重要組成部分,不僅保障了車(chē)輛行駛的安全性,而且提升了車(chē)輛行駛的效率。傳統(tǒng)的交通標(biāo)志識(shí)別系統(tǒng)主要針對(duì)的是在環(huán)境狀況良好條件下,采集得到的交通標(biāo)志圖像;然而車(chē)輛行駛的環(huán)境較為復(fù)雜,由于車(chē)載攝像裝置的抖動(dòng)、周?chē)悄繕?biāo)物體的遮擋以及傳輸介質(zhì)的干擾,造成了采集圖像的運(yùn)動(dòng)模糊、殘缺和噪聲等問(wèn)題,從而導(dǎo)致交通標(biāo)志識(shí)別精度的大幅度降低。針對(duì)此問(wèn)題,本課題研究了復(fù)雜環(huán)境下的交通標(biāo)志識(shí)別算法,主要研究?jī)?nèi)容為:(1)提出并實(shí)現(xiàn)了平穩(wěn)迭代在線(xiàn)支持向量機(jī)(SIOSVM)算法模型。結(jié)合已有的支持向量機(jī)模型和在線(xiàn)學(xué)習(xí)理論,針對(duì)在線(xiàn)支持向量機(jī)模型初期不穩(wěn)定、學(xué)習(xí)效率隨時(shí)間推移而降低、分類(lèi)時(shí)間隨時(shí)間推移而增加的缺點(diǎn),提出了SIOSVM的在線(xiàn)識(shí)別模型,對(duì)特征提取后的交通標(biāo)志特征向量進(jìn)行分類(lèi)識(shí)別。(2)提出并實(shí)現(xiàn)了一種新的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)(改進(jìn)CNN)模型。改進(jìn)CNN模型由CNN特征提取模型和SIOSVM分類(lèi)識(shí)別模型組成:首先通過(guò)實(shí)驗(yàn)分析搭建了CNN特征提取模型;然后將提取得到的特征作為樣本,輸入SIOSVM分類(lèi)識(shí)別模型,通過(guò)模型訓(xùn)練,最終得到改進(jìn)CNN模型。(3)驗(yàn)證改進(jìn)CNN模型的性...

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

[2]。道路交通標(biāo)志識(shí)別系統(tǒng)是將車(chē)載攝像裝置所拍攝到的圖像進(jìn)行分析，檢測(cè)其是否含有交通標(biāo)志以及交通標(biāo)志所在區(qū)域，并識(shí)別圖像中的交通標(biāo)志類(lèi)型，最后將識(shí)別的結(jié)果傳送給車(chē)載中心系統(tǒng)或者駕駛員，對(duì)車(chē)輛的路徑規(guī)劃及駕駛操作做出相應(yīng)指導(dǎo)或調(diào)整，從而提升交通安全及交通效率。近年來(lái)，得益于計(jì)算機(jī)....

交通標(biāo)志識(shí)別系統(tǒng)是車(chē)輛高級(jí)輔助駕駛系統(tǒng)的重要組成部分，能為車(chē)輛的路徑規(guī)劃以及決策控制提供有效的依據(jù)。然而大部分的交通標(biāo)志識(shí)別系統(tǒng)都是針對(duì)常規(guī)環(huán)境下的交通標(biāo)志圖像進(jìn)行檢測(cè)與識(shí)別，或者對(duì)于復(fù)雜環(huán)境下的交通標(biāo)志圖像的識(shí)別效果并不理想。對(duì)此本課題提出了復(fù)雜環(huán)境交通標(biāo)志識(shí)別系統(tǒng)，該系統(tǒng)基于....

劃分成大小為4*4的細(xì)胞單元；個(gè)細(xì)胞單元的梯度分布直方圖（也即是HOG特征ck模塊，每個(gè)block模塊包含4個(gè)細(xì)胞單元，全部構(gòu)成了block模塊的特征描述子；ock特征描述子構(gòu)成整個(gè)交通標(biāo)志圖像的特征描述G特征。素點(diǎn)的梯度公式如下所示：....

武漢科技大學(xué)碩士學(xué)位論文廣泛運(yùn)用于美國(guó)銀行的支票上的手寫(xiě)數(shù)字識(shí)別中。LeNet-5共有7層，2個(gè)卷積層、2個(gè)池化層和3個(gè)全連接層，如圖2.3所示，具有卷積神經(jīng)網(wǎng)絡(luò)的一般特性。同時(shí)由于LeNet-5卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)簡(jiǎn)單、參數(shù)較少、訓(xùn)練時(shí)間較短等優(yōu)點(diǎn)，本課題將....

本文編號(hào)：4010647