現(xiàn)今,以道路交通為主的交通方式迅速發(fā)展起來,隨之而來的是頻繁發(fā)生的交通事故。針對這個(gè)重要問題,智能交通系統(tǒng)逐漸發(fā)展起來,交通標(biāo)志檢測是其中的關(guān)鍵環(huán)節(jié)之一。但實(shí)際交通環(huán)境由于受到各種外界因素的影響,交通標(biāo)志檢測存在很大難度。近年來,隨著計(jì)算機(jī)運(yùn)算能力的提升,通過訓(xùn)練深層卷積神經(jīng)網(wǎng)絡(luò),并運(yùn)用于目標(biāo)檢測的方法,得到了學(xué)術(shù)界的廣泛研究和青睞。Faster R-CNN是其中的一個(gè)典型代表。本文圍繞基于Faster R-CNN的方法對交通標(biāo)志檢測任務(wù)展開研究。然而,直接使用Faster R-CNN進(jìn)行交通標(biāo)志檢測,依然存在以下幾大困難:1)獲取交通標(biāo)志數(shù)據(jù)過于繁瑣,而且人工標(biāo)注費(fèi)時(shí)費(fèi)力,因此,具有標(biāo)注的交通標(biāo)志圖像資源有限,難以訓(xùn)練得到比較好的模型;2)由于采集的圖像受各種因素干擾,有的圖像質(zhì)量較差,而且小尺寸交通標(biāo)志比較多,給交通標(biāo)志檢測任務(wù)帶來了很大的挑戰(zhàn)。針對以上問題,本文主要工作內(nèi)容如下:（1）提出一種基于透視變換的數(shù)據(jù)增強(qiáng)方法,可使圖像產(chǎn)生立體變換效果,以模擬真實(shí)情況下不同的拍攝角度,從而有效擴(kuò)充數(shù)據(jù)集。對于交通標(biāo)志檢測任務(wù),該方法比普通數(shù)據(jù)增強(qiáng)方法更有效。（2）由于大多數(shù)交通標(biāo)志占圖像... 

【文章來源】：重慶大學(xué)重慶市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 研究背景及意義
    1.2 交通標(biāo)志概述
    1.3 國內(nèi)外研究現(xiàn)狀
    1.4 交通標(biāo)志檢測難點(diǎn)
    1.5 本文的主要內(nèi)容及論文組織
2 卷積神經(jīng)網(wǎng)絡(luò)與目標(biāo)檢測
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 深度學(xué)習(xí)介紹
        2.1.2 神經(jīng)網(wǎng)絡(luò)
        2.1.3 卷積神經(jīng)網(wǎng)絡(luò)的基本特征
        2.1.4 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
    2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法
        2.2.1 R-CNN
        2.2.2 Fast R-CNN
        2.2.3 Faster R-CNN
        2.2.4 YOLO
        2.2.5 SSD
    2.3 本章小結(jié)
3 基于樣本均衡的交通標(biāo)志檢測
    3.1 引言
    3.2 Faster R-CNN
        3.2.1 特征提取網(wǎng)絡(luò)
        3.2.2 RPN
        3.2.3 RoI pooling
        3.2.4 邊框回歸
        3.2.5 非極大值抑制
    3.3 基于透視變換的數(shù)據(jù)增強(qiáng)
        3.3.1 透視變換
        3.3.2 交通標(biāo)志數(shù)據(jù)增強(qiáng)
    3.4 遷移學(xué)習(xí)
    3.5 均衡正負(fù)樣本
    3.6 實(shí)驗(yàn)與分析
        3.6.1 實(shí)驗(yàn)環(huán)境
        3.6.2 實(shí)驗(yàn)數(shù)據(jù)集
        3.6.3 實(shí)驗(yàn)結(jié)果與分析
    3.7 本章小結(jié)
4 基于改進(jìn)Faster R-CNN的交通標(biāo)志檢測
    4.1 引言
    4.2 算法改進(jìn)描述
    4.3 基于HSV顏色空間的閾值分割
        4.3.1 顏色空間
        4.3.2 閾值分割
        4.3.3 連通區(qū)域標(biāo)記
    4.4 殘差Faster R-CNN
        4.4.1 殘差網(wǎng)絡(luò)
        4.4.2 使用殘差網(wǎng)絡(luò)的Faster R-CNN
    4.5 實(shí)驗(yàn)結(jié)果與分析
    4.6 本章小結(jié)
5 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 研究展望
參考文獻(xiàn)
附錄
    A 作者在攻讀學(xué)位期間發(fā)表的論文目錄
    B 作者在攻讀學(xué)位期間參加的科研項(xiàng)目
    C 學(xué)位論文數(shù)據(jù)集
致謝


【參考文獻(xiàn)】：
期刊論文
[1]一種基于FCN的車道線檢測算法[J]. 洪名佳,汪慧蘭,黃娜君,戴舒.  無線電通信技術(shù). 2018(06)
[2]基于Hough變換實(shí)現(xiàn)圓的快速檢測方法[J]. 孫曉敏,朱曉春,周雯超,李冉冉.  制造業(yè)自動(dòng)化. 2018(05)
[3]基于Lab顏色空間的花朵圖像分割算法[J]. 王禮,方陸明,陳珣,吳超.  浙江萬里學(xué)院學(xué)報(bào). 2018(03)
[4]基于SIFT算法的交通標(biāo)志識(shí)別方法研究[J]. 余澤東,黃妙華.  數(shù)字制造科學(xué). 2018(01)
[5]基于主方向加權(quán)投票的非結(jié)構(gòu)化道路消失點(diǎn)檢測[J]. 潘奎剛,石朝俠.  計(jì)算機(jī)工程. 2017(12)
[6]基于深度卷積神經(jīng)網(wǎng)絡(luò)的道路場景理解[J]. 吳宗勝,傅衛(wèi)平,韓改寧.  計(jì)算機(jī)工程與應(yīng)用. 2017(22)
[7]基于OpenCV的前方車輛檢測和前撞預(yù)警算法研究[J]. 劉軍,高雪婷,王利明,晏曉娟.  汽車技術(shù). 2017(06)
[8]基于YOLO網(wǎng)絡(luò)的行人檢測方法[J]. 高宗,李少波,陳濟(jì)楠,李政杰.  計(jì)算機(jī)工程. 2018(05)
[9]基于深度學(xué)習(xí)方法的復(fù)雜場景下車輛目標(biāo)檢測[J]. 宋煥生,張向清,鄭寶峰,嚴(yán)騰.  計(jì)算機(jī)應(yīng)用研究. 2018(04)
[10]基于顏色空間和模板匹配的交通標(biāo)志檢測方法[J]. 郝博聞,梁宇峰,李文強(qiáng),倪鈺婷,溫斯傲,劉展寧.  智能計(jì)算機(jī)與應(yīng)用. 2016(04)

碩士論文
[1]基于深度學(xué)習(xí)的監(jiān)控視頻多目標(biāo)追蹤研究[D]. 李葉.華中科技大學(xué) 2017
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D]. 張效榮.西安電子科技大學(xué) 2015
[3]道路交通標(biāo)志識(shí)別算法的研究[D]. 邵桂珠.吉林大學(xué) 2008



本文編號(hào)：3058008