【摘要】：交通標(biāo)志被廣泛應(yīng)用于道路交通中,由于受到許多不可控制因素如天氣光照變化、物理遮擋、運(yùn)動(dòng)模糊等的影響,交通標(biāo)志的準(zhǔn)確檢測(cè)和快速識(shí)別對(duì)研究者來(lái)說(shuō)是一個(gè)重大的挑戰(zhàn)。針對(duì)已有交通標(biāo)志檢測(cè)算法中存在誤檢較多的問(wèn)題,本文提出一種結(jié)合布爾卷積神經(jīng)網(wǎng)絡(luò)的梯度方向直方圖(HOG-BCNN,Histograms of Oriented Gradients-Boolean Convolutional Neural Network)與級(jí)聯(lián)分類(lèi)器的交通標(biāo)志檢測(cè)方法。該方法首先訓(xùn)練基于HOG特征的級(jí)聯(lián)分類(lèi)器,在含交通標(biāo)志的道路場(chǎng)景圖像提取潛在的候選區(qū)域,這些候選區(qū)域?qū)⒆鳛榻ㄗh窗口輸入到一個(gè)特殊的CNN,它就像一個(gè)布爾邏輯器用以判斷窗口是否為交通標(biāo)志。布爾卷積神經(jīng)網(wǎng)絡(luò)模型作為級(jí)聯(lián)分類(lèi)器的最后一級(jí)對(duì)誤檢區(qū)域進(jìn)行過(guò)濾,從而排除誤檢提高檢測(cè)率。針對(duì)交通標(biāo)志識(shí)別中網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜識(shí)別效率低的問(wèn)題,本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)的快速交通標(biāo)識(shí)牌識(shí)別的方法(FTSR-CNN:Fast Traffic Sign Recognition Based on Convolution Neural Network)。該方法利用卷積核滑動(dòng)濾波提取特征,通過(guò)池化技術(shù)降維,前向?qū)W習(xí)過(guò)程中求得網(wǎng)絡(luò)的損失,反向傳播中利用隨機(jī)梯度下降法極小化損失,通過(guò)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)中的參數(shù)和激活函數(shù)類(lèi)型來(lái)優(yōu)化網(wǎng)絡(luò)性能。實(shí)驗(yàn)結(jié)果表明,在交通標(biāo)志的檢測(cè)和識(shí)別方面,本文提出的方法能夠?qū)崿F(xiàn)較高的檢測(cè)率和分類(lèi)精度,同時(shí)保證檢測(cè)和識(shí)別效率。最后,本文通過(guò)結(jié)合交通標(biāo)志檢測(cè)與識(shí)別的方法構(gòu)建了交通標(biāo)志識(shí)別系統(tǒng)。在行車(chē)記錄儀中獲取的多個(gè)視頻上進(jìn)行測(cè)試,取得了很好的實(shí)驗(yàn)效果。
[Abstract]:Traffic signs are widely used in road traffic, because of the influence of many uncontrollable factors, such as weather and light changes, physical occlusion, motion blur, etc. Accurate detection and rapid identification of traffic signs is a major challenge for researchers. In order to solve the problem of false detection in existing traffic sign detection algorithms, this paper presents a method of traffic sign detection based on gradient direction histogram (HOG-BCNN,Histograms of Oriented Gradients-Boolean Convolutional Neural Network) combined with Boolean convolution neural network (HOG-BCNN,Histograms of Oriented Gradients-Boolean Convolutional Neural Network) and cascaded classifier (Cascade classifier). The method first trains a cascade classifier based on HOG features to extract potential candidate regions from road scene images with traffic signs. These candidate regions will be input to a special CNN, as a suggested window, which is like a Boolean logic to determine whether the window is a traffic sign or not. The Boolean convolution neural network model is used as the last level of cascade classifier to filter the error detection area, thus eliminating the false detection and improving the detection rate. In view of the low efficiency of complex network structure recognition in traffic sign recognition, a fast traffic sign recognition method based on convolution neural network (FTSR-CNN:Fast Traffic Sign Recognition Based on Convolution Neural Network).) is proposed in this paper. In this method, the feature is extracted by convolution kernel sliding filter, the dimension is reduced by pool technique, the network loss is obtained in the process of forward learning, and the stochastic gradient descent method is used to minimize the loss in back propagation. The network performance is optimized by adjusting the parameters and activation function types in the network structure. The experimental results show that the method proposed in this paper can achieve high detection rate and classification accuracy, and ensure the efficiency of detection and recognition. Finally, a traffic sign recognition system is constructed by combining the detection and recognition of traffic signs. The test is carried out on several videos obtained from the CarLog, and the experimental results are very good.
【學(xué)位授予單位】：天津工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 謝金文;CNN國(guó)際臺(tái)節(jié)目述評(píng)[J];新聞?dòng)浾?1997年10期

2 郭巍;CNN戰(zhàn)事報(bào)道特點(diǎn)[J];中國(guó)記者;1999年05期

3 王海濤;;戰(zhàn)爭(zhēng)與新聞,成就彼此——由海灣戰(zhàn)爭(zhēng)與CNN看戰(zhàn)爭(zhēng)與新聞傳播的關(guān)系[J];中外企業(yè)家;2009年10期

4 雷國(guó)偉,呂迎陽(yáng),紀(jì)安妮,吳孫桃,郭東輝;圖像特征的CNN提取方法及其應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2004年14期

5 趙嘉瑩;王彪;;對(duì)近三年CNN“兩會(huì)”報(bào)道的分析[J];東南傳播;2006年06期

6 ;道歉與轉(zhuǎn)變：CNN對(duì)中國(guó)地震報(bào)道感動(dòng)很多人[J];國(guó)際新聞界;2008年05期

7 劉雪梅;CNN與“電視戰(zhàn)爭(zhēng)”[J];軍事記者;2001年12期

8 楊席珍;;CNN新聞報(bào)道的傾向性分析[J];中國(guó)廣播電視學(xué)刊;2010年01期

9 安替;;謹(jǐn)記CNN遠(yuǎn)不只是放國(guó)家形象廣告[J];領(lǐng)導(dǎo)文萃;2010年23期

10 元慶;;“海灣CNN”——異軍突起的卡塔爾“半島”電視臺(tái)[J];世界知識(shí);2001年22期

相關(guān)會(huì)議論文 前1條

1 劉國(guó)華;張穎;陳子軍;陳子陽(yáng);;改進(jìn)的CNN搜索算法[A];第二十屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2003年

相關(guān)重要報(bào)紙文章 前10條

1 張瑩;360安全中心號(hào)召網(wǎng)友簽名要求CNN向中國(guó)人民道歉[N];中國(guó)新聞出版報(bào);2008年

2 資深媒體人士 安替;謹(jǐn)記CNN遠(yuǎn)不只是放國(guó)家形象廣告[N];東方早報(bào);2010年

3 卞普易;韓國(guó)世界首個(gè)CNN咖啡館開(kāi)業(yè)[N];中國(guó)食品安全報(bào);2011年

4 孫浩;從CNN烏龍看傳統(tǒng)媒體的危與機(jī)[N];新華每日電訊;2013年

5 國(guó)際問(wèn)題專(zhuān)家 華益聲;CNN淪為暴力恐怖幫兇[N];人民日?qǐng)?bào)海外版;2013年

6 新華社記者 劉順 操風(fēng)琴;中東CNN探訪“半島”電視臺(tái)[N];新華每日電訊;2002年

7 資深媒體人士 安替;CNN新聞全球化就是新聞美國(guó)化[N];東方早報(bào);2009年

8 記者 劉倩;全球知名媒體CNN將全程報(bào)道論壇盛況[N];桂林日?qǐng)?bào);2012年

9 記者 姜微　陸文軍;CNN：中國(guó)驅(qū)動(dòng)全球汽車(chē)產(chǎn)業(yè)[N];新華每日電訊;2009年

10 柯卉 李永鵬 綜合;回歸硬新聞CNN在海嘯中重生[N];第一財(cái)經(jīng)日?qǐng)?bào);2005年

相關(guān)碩士學(xué)位論文 前6條

1 林旭東;CNN新疆報(bào)道鏡像研究[D];中央民族大學(xué);2015年

2 張文賽;關(guān)于CNN暴力恐怖事件報(bào)道的戲劇主義修辭批評(píng)分析[D];上海大學(xué);2016年

3 楊振杰;基于CNN的交通標(biāo)志識(shí)別方法研究[D];天津工業(yè)大學(xué);2017年

4 張環(huán)環(huán);CNN對(duì)華報(bào)道與中國(guó)的國(guó)家形象建構(gòu)[D];中共中央黨校;2014年

5 楊恩澤;近兩年CNN對(duì)華報(bào)道政治傾向性研究[D];哈爾濱工程大學(xué);2010年

6 劉師賢;CNN混沌特性分析及其在CDMA擴(kuò)頻碼中的應(yīng)用[D];華中科技大學(xué);2005年

，

本文編號(hào)：2233836