隨著汽車的普及,輔助駕駛技術(shù)漸漸地受到了廣泛關(guān)注。輔助駕駛技術(shù)可以獲取當(dāng)前路況信息,提醒駕駛者需要注意的交通路況,幫助駕駛者規(guī)避發(fā)生車禍的風(fēng)險(xiǎn)。為了正確快速的感知道路情況,獲取交通標(biāo)志牌的信息是必不可少的。傳統(tǒng)的交通標(biāo)志檢測算法有諸多限制,對自然環(huán)境下車輛行駛中的交通標(biāo)志檢測效果不佳。本文是基于區(qū)域推薦網(wǎng)絡(luò)的深度學(xué)習(xí)目標(biāo)檢測模型,在非限定性條件下對交通標(biāo)志進(jìn)行檢測,更適合用于自然場景下的輔助駕駛技術(shù)。本文首先從交通標(biāo)志數(shù)據(jù)集入手,針對國內(nèi)缺少統(tǒng)一的交通標(biāo)志數(shù)據(jù)集問題,在非限定性條件下采集了交通標(biāo)志圖像,制作了數(shù)據(jù)集并進(jìn)行了預(yù)處理和擴(kuò)充。本文制作的數(shù)據(jù)集都是在非限定性的條件下拍攝的,背景復(fù)雜多變,更符合實(shí)際情況。其次本文從模型檢測準(zhǔn)確度和檢測速度兩個(gè)方面進(jìn)行研究。為了提高模型的準(zhǔn)確度,通過對特征提取網(wǎng)絡(luò)的對比分析,選擇了對交通標(biāo)志提取能力更好的VGG-16網(wǎng)絡(luò),作為本文的特征提取網(wǎng)絡(luò)。并在此基礎(chǔ)上,使用K-Means++聚類算法對數(shù)據(jù)集中的人工標(biāo)注框進(jìn)行了聚類分析,根據(jù)聚類結(jié)果選擇出最合適的錨框個(gè)數(shù)和尺寸,提高了網(wǎng)絡(luò)準(zhǔn)確度。為了解決對面積占比較小的交通標(biāo)志容易出現(xiàn)漏檢的問題,本文提出了多層特征融合策略。通過合并特征提取網(wǎng)絡(luò)中的第三層和第五層的卷積特征,既保留了網(wǎng)絡(luò)對圖像整體信息的表達(dá)能力,又增加了圖像的細(xì)節(jié)特征,有效的解決了小交通標(biāo)志的漏檢問題。通過以上方法有效的提高了交通標(biāo)志檢測模型的準(zhǔn)確度。在縮短模型檢測時(shí)間上,本文使用了深度可分離卷積對模型進(jìn)行壓縮,對卷積核進(jìn)行分離操作。在不影響模型準(zhǔn)確度的情況下,有效的降低了模型的參數(shù)量,縮短了模型的檢測時(shí)間。通過本文研究,從模型的準(zhǔn)確度和檢測時(shí)間兩個(gè)方面著手,在不增加模型檢測時(shí)間的基礎(chǔ)上有效的提高了模型的準(zhǔn)確度。使得最終的檢測模型可以應(yīng)用于非限定性條件下的交通標(biāo)志識別和檢測,不會(huì)受到多變的天氣、復(fù)雜的背景、路牌的損壞以及其他因素的影響。圖 [47] 表 [6] 參 [81]
【學(xué)位單位】：安徽理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TP18;U463.6
【部分圖文】：

安徽理工大學(xué)碩士學(xué)位論文( 0,1) 之間，很容易將Sigmoid函數(shù)與概率問題聯(lián)系起來。因此Sigmoi型輸出，標(biāo)識分類的概率。Sigmoid函數(shù)的數(shù)學(xué)形式是如公式2-8所示( )11xf xe +義域內(nèi)處處可導(dǎo)且其導(dǎo)數(shù)為公式2-9：f ' ( x ) f ( x ) (1 f ( x))oid 函數(shù)圖像如圖 2-6 所示：

圖2-7Tanh函數(shù)Fig 2-7 Tanh function）ReLU函數(shù)網(wǎng)絡(luò)層數(shù)的加深，在進(jìn)行反向傳播時(shí)，前幾層的網(wǎng)路導(dǎo)數(shù)太小或者接近為 消失現(xiàn)象。如下圖2-8所示，ReLU函數(shù)是一個(gè)分段函數(shù)，定義域?yàn)?為 0, + )，并且其導(dǎo)數(shù)恒為1。這樣在進(jìn)行反向傳播時(shí)，不會(huì)像 Sigmoid 函散現(xiàn)象，這也更加符合生物神經(jīng)之間的傳播特性。定義域?yàn)? ,0)時(shí)，將所為0。這樣的映射方式被稱為單側(cè)映射（單側(cè)抑制），使得網(wǎng)絡(luò)具有了稀疏性據(jù)輸入值的正負(fù)，將一部分的神經(jīng)元的輸出強(qiáng)制歸為 0，使得神經(jīng)元之間的緊密，太緊密的連接往往使得網(wǎng)絡(luò)冗余，這樣具有一定的正則化效果。相對于以上兩種激活函數(shù)（Sigmoid和Tanh），ReLu函數(shù)加快了網(wǎng)絡(luò)的迭代為導(dǎo)數(shù)太小而出現(xiàn)的梯度彌散現(xiàn)象，也增加了網(wǎng)絡(luò)的擬合能力。

圖2-8ReLU函數(shù)Fig 2-8 ReLU functionpout 正則化學(xué)習(xí)的模型中，如果模型的參數(shù)太多且訓(xùn)練樣本又太少，則模型容易過對訓(xùn)練集有很好的擬合，但缺少泛化能力，對驗(yàn)證集的擬合誤差太大。得到較小的損失，導(dǎo)致模型訓(xùn)練失敗，如圖 2-9 所示。模型過擬合是訓(xùn)的現(xiàn)象，Dropout正則化便是為了解決這一問題而被提出的[67-69]。訓(xùn)練集驗(yàn)證集誤差
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃琳;張尤賽;;應(yīng)用深層卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識別[J];現(xiàn)代電子技術(shù);2015年13期

2 楊英;劉衛(wèi)國;鐘令;李亞文;;基于AdaBoost行人檢測優(yōu)化算法的研究[J];機(jī)電工程;2014年10期

3 呂國豪;羅四維;黃雅平;蔣欣蘭;;基于卷積神經(jīng)網(wǎng)絡(luò)的正則化方法[J];計(jì)算機(jī)研究與發(fā)展;2014年09期

4 常發(fā)亮;黃翠;劉成云;趙永國;馬傳峰;;基于高斯顏色模型和SVM的交通標(biāo)志檢測[J];儀器儀表學(xué)報(bào);2014年01期

5 衡浩;熊惠霖;;復(fù)雜動(dòng)態(tài)場景下基于道路平面提取的行人檢測[J];計(jì)算機(jī)仿真;2013年09期

6 高晶;吳育峰;吳昆;孫繼銀;;基于角點(diǎn)檢測的圖像匹配算法[J];儀器儀表學(xué)報(bào);2013年08期

7 劉華平;李建民;胡曉林;孫富春;;動(dòng)態(tài)場景下的交通標(biāo)識檢測與識別研究進(jìn)展[J];中國圖象圖形學(xué)報(bào);2013年05期

8 孫志軍;薛磊;許陽明;王正;;深度學(xué)習(xí)研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2012年08期

9 劉建偉;李雙成;羅雄麟;;p范數(shù)正則化支持向量機(jī)分類算法[J];自動(dòng)化學(xué)報(bào);2012年01期

10 馬宗方;程詠梅;潘泉;王慧琴;;基于顏色模型和稀疏表示的圖像型火焰探測[J];光子學(xué)報(bào);2011年08期

本文編號：2836005