隨著經(jīng)濟(jì)社會(huì)的發(fā)展,人民的生活水平有了極大提高,汽車已經(jīng)進(jìn)入了千家萬(wàn)戶,由此帶來(lái)的交通安全和交通堵塞問(wèn)題日益嚴(yán)重。車載交通標(biāo)志檢測(cè)識(shí)別系統(tǒng)作為智能交通系統(tǒng)（Intelligent Transportation System,ITS）的一部分已經(jīng)得到了智慧交通研究者重視,相較于傳統(tǒng)檢測(cè)識(shí)別方法,基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志檢測(cè)識(shí)別算法在可擴(kuò)展性和魯棒性方面具有很大的優(yōu)勢(shì),但其在準(zhǔn)確性、計(jì)算量和存儲(chǔ)空間等方面仍具有極大的優(yōu)化空間。本文先簡(jiǎn)單介紹了交通標(biāo)志檢測(cè)識(shí)別領(lǐng)域幾種典型的算法,對(duì)比分析了各自的優(yōu)缺點(diǎn)。選用了檢測(cè)速度高且適合硬件加速的YOLOv2-tiny卷積神經(jīng)網(wǎng)絡(luò)作為優(yōu)化的基礎(chǔ),針對(duì)其對(duì)小目標(biāo)檢測(cè)效果差的缺點(diǎn),設(shè)計(jì)了一種多尺度特征融合的卷積神經(jīng)網(wǎng)絡(luò)交通標(biāo)志檢測(cè)識(shí)別算法。為了驗(yàn)證算法效果,再以清華-騰訊公開交通標(biāo)志數(shù)據(jù)集為對(duì)象,對(duì)設(shè)計(jì)的兩種特征不同特征尺度的神經(jīng)網(wǎng)絡(luò)加上YOLOv2-tiny共三種網(wǎng)絡(luò)進(jìn)行訓(xùn)練和分析。實(shí)驗(yàn)結(jié)果表明,特征尺度多的網(wǎng)絡(luò)對(duì)小目標(biāo)的檢測(cè)識(shí)別效果有了顯著提升。最后設(shè)計(jì)了算法FPGA驗(yàn)證系統(tǒng),通過(guò)利用卷積神經(jīng)節(jié)點(diǎn)內(nèi)并行、卷積神經(jīng)節(jié)點(diǎn)間并行和特征參數(shù)重用的方式,實(shí)現(xiàn)了一... 

【文章來(lái)源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Tsinghu-Tencent100K數(shù)據(jù)集交通標(biāo)志圖

第三章基于CNN的交通標(biāo)志檢測(cè)識(shí)別算法設(shè)計(jì)27片的ID號(hào)、文件路徑和各種標(biāo)注信息。由于原始數(shù)據(jù)集中包含大量樣本數(shù)較少的類別，為了便于后續(xù)算法實(shí)現(xiàn)，本文對(duì)數(shù)據(jù)集類別進(jìn)行了篩選保留的數(shù)據(jù)集樣本數(shù)量如圖3.8所示，其中io、po和wo三類交通標(biāo)志為混合交通標(biāo)志，不利于檢測(cè)識(shí)別效果評(píng)估將其刪除，因此本論文僅選用剩余的43類作為樣本用于后續(xù)網(wǎng)絡(luò)訓(xùn)練。圖3.8原始數(shù)據(jù)集樣本分布圖由于數(shù)據(jù)集中各個(gè)樣本分布不均，本論文在訓(xùn)練前對(duì)數(shù)據(jù)集中的訓(xùn)練集采用了文獻(xiàn)[27]中的數(shù)據(jù)增強(qiáng)技術(shù)，通過(guò)對(duì)樣本數(shù)據(jù)隨機(jī)旋轉(zhuǎn)、放大和裁剪等處理擴(kuò)充訓(xùn)練數(shù)據(jù)，最后將擴(kuò)充數(shù)據(jù)集制作成darknet學(xué)習(xí)框架模型訓(xùn)練所需的VOC2012數(shù)據(jù)集格式。數(shù)據(jù)集部分樣本如圖3.9所示。(a)訓(xùn)練數(shù)據(jù)集部分圖片示例(b)測(cè)試數(shù)據(jù)集部分圖片示例圖3.9數(shù)據(jù)集部分樣本圖網(wǎng)絡(luò)訓(xùn)練本論文網(wǎng)絡(luò)訓(xùn)練環(huán)境為DELL工作站，其配備了18塊E5-2697v4@2.30GHzCPU、4塊NVIDIA

納瓚ê屯?緗峁溝牡髡?赿arknet學(xué)習(xí)框架中的cfg文件中設(shè)置。訓(xùn)練過(guò)程中要到的shell命令如表3.3所示，shell指令1、2和3分別用于訓(xùn)練、驗(yàn)證和網(wǎng)絡(luò)效果評(píng)估，其中<voc.data文件路徑>、<cfg文件路徑>和<weights文件路徑>用于指定訓(xùn)練、測(cè)試或評(píng)估所需參數(shù)文件的路徑。表3.3網(wǎng)絡(luò)模型訓(xùn)練shell指令>>指令1./darknetdetectortrain<voc.data文件路徑><cfg文件路徑>>>指令2./darknetdetectortest<voc.data文件路徑><cfg文件路徑><weights文件路徑>>>指令3./darknetdetectorvaild<voc.data文件路徑><cfg文件路徑><weights文件路徑>圖3.10網(wǎng)絡(luò)訓(xùn)練過(guò)程輸出圖網(wǎng)絡(luò)訓(xùn)練輸出如圖3.10所示，一個(gè)批次中輸出8輪數(shù)據(jù)，每輪輸出128/8=16個(gè)樣本的訓(xùn)練數(shù)據(jù)，AvgIOU為預(yù)測(cè)框和標(biāo)簽文件中對(duì)應(yīng)實(shí)際框的交并集比，用于評(píng)估預(yù)測(cè)框檢測(cè)的準(zhǔn)確性；class為標(biāo)注物體分類的置信度，期望輸出為1；obj/noobj分別為包含物體和不包含物體的概率；AvgRecall在recall/count中定義，其為當(dāng)前模型在所有subdivision圖片中檢測(cè)出正樣本與實(shí)際的正樣本的比值；1962為當(dāng)前的迭代次數(shù)；avg和rate分別為當(dāng)前的總損失和學(xué)習(xí)率大校

【參考文獻(xiàn)】：
期刊論文
[1]一種基于FPGA的卷積神經(jīng)網(wǎng)絡(luò)加速器的設(shè)計(jì)與實(shí)現(xiàn)[J]. 張榜,來(lái)金梅.  復(fù)旦學(xué)報(bào)(自然科學(xué)版). 2018(02)
[2]道路交通運(yùn)輸安全發(fā)展報(bào)告（2017）[J]. Matthias Gsul,胡予紅,周旋,寧丙文,米建英,劉佳,王光遠(yuǎn),王靜,董晨,張露丹.  中國(guó)應(yīng)急管理. 2018(02)
[3]交通標(biāo)志檢測(cè)研究綜述[J]. 溫斯傲,李志民,郝博聞,倪鈺婷,鐘玲.  智能計(jì)算機(jī)與應(yīng)用. 2016(03)
[4]基于Hough變換圓檢測(cè)的人眼定位方法改進(jìn)[J]. 劉念,蘇杭,郭純宏,周靜.  計(jì)算機(jī)工程與設(shè)計(jì). 2011(04)
[5]一種多通道融合的交通標(biāo)志檢測(cè)方法[J]. 沙莎,肖學(xué)鋼.  計(jì)算機(jī)工程. 2009(06)
[6]三角形交通標(biāo)志的智能檢測(cè)方法[J]. 朱雙東,張懿,陸曉峰.  中國(guó)圖象圖形學(xué)報(bào). 2006(08)
[7]基于RGB視覺(jué)模型的交通標(biāo)志分割[J]. 黃志勇,孫光民,李芳.  微電子學(xué)與計(jì)算機(jī). 2004(10)
[8]形態(tài)骨架匹配算法及其在交通標(biāo)志識(shí)別中的應(yīng)用[J]. 蔣剛毅,鄭義.  電路與系統(tǒng)學(xué)報(bào). 1996(03)

博士論文
[1]基于機(jī)器視覺(jué)的先進(jìn)輔助駕駛系統(tǒng)關(guān)鍵技術(shù)研究[D]. 范延軍.東南大學(xué) 2016
[2]交通標(biāo)志檢測(cè)與分類算法研究[D]. 王剛毅.哈爾濱工業(yè)大學(xué) 2013
[3]基于FPGA的卷積神經(jīng)網(wǎng)絡(luò)并行結(jié)構(gòu)研究[D]. 陸志堅(jiān).哈爾濱工程大學(xué) 2013

碩士論文
[1]基于特征融合與稀疏編碼的交通標(biāo)志識(shí)別算法研究[D]. 江鈞.北京交通大學(xué) 2016
[2]基于不變矩和小波神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別研究[D]. 呂瑾文.武漢理工大學(xué) 2009



本文編號(hào)：3220589