本文選題：交通標志識別 + Siamese網(wǎng)絡　； 參考：《廣西師范大學》2017年碩士論文

【摘要】：自然環(huán)境下的交通標志識別,是無人駕駛中必不可少的技術要求,近年來百度、亞馬遜、google、facebook等公司越來越重視無人駕駛,前幾年的研究者通常應用顏色、形狀、尺度等來表達交通標志的特征。本文充分利用最近5年熱起來的卷積神經網(wǎng)絡來識別交通標志,把網(wǎng)絡不斷優(yōu)化,多次實驗,調整網(wǎng)絡結構與參數(shù),最終設計了一個在交通標志識別中表現(xiàn)優(yōu)秀的網(wǎng)絡模型,該網(wǎng)絡具有良好的準確性、高效性、可移植性。用卷積神經網(wǎng)絡的理論解決分類識別問題時,往往用到大量的數(shù)據(jù),本文是基于德國交通標志數(shù)據(jù)集(GTSRB),以在圖像處理領域效果最好的Caffe作為框架,設計適合于交通標志識別的網(wǎng)絡模型以及網(wǎng)絡中使用的超參數(shù)。本文的研究工作主要包含以下幾個方面:(1)本文在Siamese網(wǎng)絡模型的基礎上,提出了一種雙網(wǎng)絡線性合并的想法,首先將Siamese網(wǎng)絡卷積層與池化層的權值共享的特性改進成先不共享,隨著圖片特征的不斷提取,再進行權值共享,這樣可以提高交通標志的準確率。(2)為了進一步優(yōu)化網(wǎng)絡的結構,提高交通標志識別的準確性與可移植性,本文采用2-channel網(wǎng)絡結構思想,把單通道圖片改進為雙通道圖片,該方法提高了網(wǎng)絡模型的泛化能力,還能提取圖像的特征表達能力,并且給交通標志識別中因為數(shù)據(jù)量的不足,帶來更加方便的識別方法。(3)最后本文應用了全新的Inception結構為基本元素,以Ubuntu14.04為操作系統(tǒng),以Caffe框架為平臺,以GoogleNet.為整體網(wǎng)絡模型構架,設計了一個高精度的TrafficNet網(wǎng)絡模型,主要改進了網(wǎng)絡的層級結構與激勵函數(shù),大大加快了網(wǎng)絡訓練的速率,針對43類交通標志,總計54324張圖片最終取得了 99.8%的分類正確率。
[Abstract]:Traffic sign recognition in the natural environment is an essential technical requirement in driverless driving. In recent years, companies such as Baidu, Amazon Google Facebook and other companies have increasingly attached importance to driverless driving. In previous years, researchers often used colors and shapes. Scale, etc., to express the characteristics of traffic signs. In this paper, we make full use of convolutional neural network, which is hot in the last five years, to identify traffic signs, optimize the network, experiment many times, adjust the network structure and parameters, and finally design a network model with excellent performance in traffic sign recognition. The network has good accuracy, high efficiency and portability. In order to solve the problem of classification and recognition by convolution neural network theory, a lot of data are often used. This paper is based on the German traffic sign data set GTSRB, and takes Caffe, which has the best effect in the field of image processing, as the framework. The network model suitable for traffic sign recognition and the super parameters used in the network are designed. The research work of this paper mainly includes the following several aspects: 1) based on the Siamese network model, this paper proposes an idea of linear combination of double networks. Firstly, the characteristics of weight sharing between the convolutional layer and the pool layer of Siamese network are improved to not be shared first. With the continuous extraction of image features and the sharing of weights, the accuracy of traffic signs can be improved. In order to further optimize the network structure and improve the accuracy and portability of traffic sign recognition, In this paper, the idea of 2-channel network structure is adopted to improve the single channel image into two channel images. This method improves the generalization ability of the network model, and can extract the feature expression ability of the image, and it can also give the traffic sign recognition because of the shortage of data quantity. Finally, this paper uses a new Inception structure as the basic element, Ubuntu14.04 as the operating system, Caffe framework as the platform, and Google Net. A high-precision TrafficNet network model is designed for the overall network model architecture, which mainly improves the hierarchical structure and incentive function of the network, greatly speeds up the training rate of the network, aiming at 43 kinds of traffic signs. A total of 54324 images finally achieved 99.8% of the classification accuracy.
【學位授予單位】：廣西師范大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41;TP183

【相似文獻】

相關期刊論文 前10條

1 楊曉帥 ,付玫;神經網(wǎng)絡技術讓管理更輕松[J];軟件世界;2000年11期

2 云中客;新的神經網(wǎng)絡來自于仿生學[J];物理;2001年10期

3 唐春明,高協(xié)平;進化神經網(wǎng)絡的研究進展[J];系統(tǒng)工程與電子技術;2001年10期

4 李智;一種基于神經網(wǎng)絡的煤炭調運優(yōu)化方法[J];長沙鐵道學院學報;2003年02期

5 程科,王士同,楊靜宇;新型模糊形態(tài)神經網(wǎng)絡及其應用研究[J];計算機工程與應用;2004年21期

6 王凡,孟立凡;關于使用神經網(wǎng)絡推定操作者疲勞的研究[J];人類工效學;2004年03期

7 周麗暉;從統(tǒng)計角度看神經網(wǎng)絡[J];統(tǒng)計教育;2005年06期

8 趙奇 ,劉開第 ,龐彥軍;灰色補償神經網(wǎng)絡及其應用研究[J];微計算機信息;2005年14期

9 袁婷;;神經網(wǎng)絡在股票市場預測中的應用[J];軟件導刊;2006年05期

10 尚晉;楊有;;從神經網(wǎng)絡的過去談科學發(fā)展觀[J];重慶三峽學院學報;2006年03期

相關會議論文 前10條

1 徐春玉;;基于泛集的神經網(wǎng)絡的混沌性[A];1996中國控制與決策學術年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經網(wǎng)絡[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經網(wǎng)絡和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術及其應用學術會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經網(wǎng)絡與信號處理學術會議論文集[C];1999年

5 鐘義信;;知識論:神經網(wǎng)絡的新機遇——紀念中國神經網(wǎng)絡10周年[A];1999年中國神經網(wǎng)絡與信號處理學術會議論文集[C];1999年

6 許進;保錚;;神經網(wǎng)絡與圖論[A];1999年中國神經網(wǎng)絡與信號處理學術會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預報產品的神經網(wǎng)絡釋用預報應用[A];1999年中國神經網(wǎng)絡與信號處理學術會議論文集[C];1999年

8 田金亭;;神經網(wǎng)絡在中學生創(chuàng)造力評估中的應用[A];第十二屆全國心理學學術大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經網(wǎng)絡的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

10 張廣遠;萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經網(wǎng)絡的故障診斷方法研究[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

相關重要報紙文章 前10條

1 美國明尼蘇達大學社會學博士 密西西比州立大學國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經網(wǎng)絡硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經網(wǎng)絡將大顯身手[N];中國紡織報;2003年

4 中國科技大學計算機系　邢方亮;神經網(wǎng)絡挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經網(wǎng)絡”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經網(wǎng)絡[N];科技日報;2011年

7 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經網(wǎng)絡[N];健康時報;2006年

8 劉力;我半導體神經網(wǎng)絡技術及應用研究達國際先進水平[N];中國電子報;2001年

9 ;神經網(wǎng)絡和模糊邏輯[N];世界金屬導報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經網(wǎng)絡應用研究通過鑒定[N];中國船舶報;2006年

相關博士學位論文 前10條

1 楊旭華;神經網(wǎng)絡及其在控制中的應用研究[D];浙江大學;2004年

2 李素芳;基于神經網(wǎng)絡的無線通信算法研究[D];山東大學;2015年

3 石艷超;憶阻神經網(wǎng)絡的混沌性及幾類時滯神經網(wǎng)絡的同步研究[D];電子科技大學;2014年

4 王新迎;基于隨機映射神經網(wǎng)絡的多元時間序列預測方法研究[D];大連理工大學;2015年

5 付愛民;極速學習機的訓練殘差、穩(wěn)定性及泛化能力研究[D];中國農業(yè)大學;2015年

6 李輝;基于粒計算的神經網(wǎng)絡及集成方法研究[D];中國礦業(yè)大學;2015年

7 王衛(wèi)蘋;復雜網(wǎng)絡幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學;2015年

8 張海軍;基于云計算的神經網(wǎng)絡并行實現(xiàn)及其學習方法研究[D];華南理工大學;2015年

9 李艷晴;風速時間序列預測算法研究[D];北京科技大學;2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關鍵技術研究[D];東南大學;2015年

相關碩士學位論文 前10條

1 章穎;混合不確定性模塊化神經網(wǎng)絡與高校效益預測的研究[D];華南理工大學;2015年

2 賈文靜;基于改進型神經網(wǎng)絡的風力發(fā)電系統(tǒng)預測及控制研究[D];燕山大學;2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學;2015年

4 陳彥至;神經網(wǎng)絡降維算法研究與應用[D];華南理工大學;2015年

5 董哲康;基于憶阻器的組合電路及神經網(wǎng)絡研究[D];西南大學;2015年

6 武創(chuàng)舉;基于神經網(wǎng)絡的遙感圖像分類研究[D];昆明理工大學;2015年

7 李志杰;基于神經網(wǎng)絡的上證指數(shù)預測研究[D];華南理工大學;2015年

8 陳少吉;基于神經網(wǎng)絡血壓預測研究與系統(tǒng)實現(xiàn)[D];華南理工大學;2015年

9 張韜;幾類時滯神經網(wǎng)絡穩(wěn)定性分析[D];渤海大學;2015年

10 邵雪瑩;幾類時滯不確定神經網(wǎng)絡的穩(wěn)定性分析[D];渤海大學;2015年

，

本文編號：1807621