目標檢測與模式識別是計算機視覺領(lǐng)域的重要研究課題,該研究主要利用機器的自主學(xué)習(xí)來檢測圖像中是否存在目標并識別定位該目標。交通標志的檢測與識別是基于計算機視覺的固定目標檢測技術(shù),是道路安全管理、高級輔助駕駛和無人駕駛等應(yīng)用中的重要組成部分,并與城市交通安全密切相關(guān),其研究具有重要的理論和實際應(yīng)用價值�；谏疃葘W(xué)習(xí)的交通標志檢測與分類方法具有檢測速度快、識別精度高、和成本少等優(yōu)勢,是機器視覺領(lǐng)域的重點研究方向。但是自然道路下的交通標志識別算法,依舊存在檢測速率慢、漏檢錯檢率高和識別精度低等問題。所以,本文的研究工作圍繞這些問題開展。視覺傳感器符合人類獲取信息的習(xí)慣,在車載輔助系統(tǒng)中被廣泛應(yīng)用。由于交通標志大多出現(xiàn)在車輛前方,本文選用單目相機作為獲取車輛前方信息的工具,研究基于視覺的道路前方交通標志的檢測方法。本文主要工作如下:（1）研究基于卷積神經(jīng)網(wǎng)絡(luò)的交通標志檢測方法。針對常見檢測方法難以達到實時的問題,本文通過結(jié)合特征級聯(lián),難分類負樣本采集,多尺度訓(xùn)練和關(guān)鍵參數(shù)的適當(dāng)校準等多種方法來改進快速卷積神經(jīng)網(wǎng)絡(luò)模型。首先預(yù)訓(xùn)練模型,以便產(chǎn)生否定;然后,使用難分類負樣本采集將負樣本輸入到網(wǎng)絡(luò)中,... 

【文章來源】：安徽工程大學(xué)安徽省

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－５最大池化操作過程??

像進行目標分類檢測為目的，一次性預(yù)測每個格子所含目標的邊界框、定位置信??度（ｃｏｎｆｉｄｅｎｃｅ）和所有類別概率，通過不斷訓(xùn)練，調(diào)整權(quán)值參數(shù)，最終在圖像??上描出分類檢測到的目標邊框［４５］。其流程如圖３－４所示。??２５??

圖３－５ＹＯＬＯｖ２網(wǎng)絡(luò)結(jié)構(gòu)圖??

【參考文獻】：
期刊論文
[1]中華人民共和國2017年國民經(jīng)濟和社會發(fā)展統(tǒng)計公報[J].   中國統(tǒng)計. 2018(03)
[2]對多層前向神經(jīng)網(wǎng)絡(luò)研究的幾點看法[J]. 閻平凡.  自動化學(xué)報. 1997(01)

博士論文
[1]深度學(xué)習(xí)在遙感影像目標檢測和地表覆蓋分類中的應(yīng)用研究[D]. 邰建豪.武漢大學(xué) 2017
[2]復(fù)雜大背景下交通標志快速魯棒的檢測和識別研究[D]. 劉春生.山東大學(xué) 2016
[3]自然場景下交通標志檢測和分類算法研究[D]. 徐丹.南京理工大學(xué) 2015

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)和圖像傳感器的道路多目標檢測研究[D]. 謝一德.北京交通大學(xué) 2018
[2]基于人臉檢測YOLO算法的專用型卷積神經(jīng)網(wǎng)絡(luò)推理加速器的研究與設(shè)計[D]. 羅聰.華南理工大學(xué) 2018
[3]基于機器學(xué)習(xí)的交通標志檢測與分類方法研究[D]. 曹繼承.電子科技大學(xué) 2018
[4]基于深度學(xué)習(xí)的交通標志識別[D]. 尹武松.電子科技大學(xué) 2018
[5]基于深度神經(jīng)網(wǎng)絡(luò)的司機行為識別技術(shù)研究與實現(xiàn)[D]. 楊林川.電子科技大學(xué) 2018
[6]基于毫米波雷達與機器視覺融合的前方車輛檢測研究[D]. 王亞麗.吉林大學(xué) 2013



本文編號：3208767