近年來(lái)以私家車為主的機(jī)動(dòng)車輛逐漸成為了人們的主要代步工具,隨之而來(lái)的是交通系統(tǒng)的巨大負(fù)擔(dān)以及諸多安全問(wèn)題。交通標(biāo)志作為重要的道路安全設(shè)施,對(duì)它的檢測(cè)與識(shí)別是智能交通系統(tǒng)的重要技術(shù)環(huán)節(jié)之一,越來(lái)越受到廣大研究人員的關(guān)注。本文利用深度學(xué)習(xí)、機(jī)器學(xué)習(xí)以及圖像處理等相關(guān)技術(shù),有效地進(jìn)行了以下幾個(gè)方面的研究工作。傳統(tǒng)的交通標(biāo)志檢測(cè)與識(shí)別方法中往往通過(guò)設(shè)計(jì)復(fù)雜的人工特征來(lái)完成交通標(biāo)志的識(shí)別分類,識(shí)別準(zhǔn)確率受限于人工特征的表達(dá)能力�；诖�,本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志檢測(cè)與識(shí)別方法。該方法首先采用顏色標(biāo)準(zhǔn)化結(jié)合顯著性算法對(duì)圖像進(jìn)行預(yù)處理,有效增加交通標(biāo)志區(qū)域與背景區(qū)域的對(duì)比度。然后使用最大極值穩(wěn)定區(qū)域算法進(jìn)行候選區(qū)域提取,并根據(jù)交通標(biāo)志的形狀特性設(shè)定幾何約束條件對(duì)得到的候選區(qū)域進(jìn)行篩選。最后通過(guò)多通路卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取,利用基于樸素貝葉斯的集成分類器完成最終的識(shí)別分類。經(jīng)實(shí)驗(yàn)驗(yàn)證,卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用可以顯著提高識(shí)別準(zhǔn)確率。道路場(chǎng)景中會(huì)出現(xiàn)光照強(qiáng)烈變化以及背景復(fù)雜的情況,上述方法在這種情況下完成交通標(biāo)志檢測(cè)與識(shí)別的方式較為低效�；谶@個(gè)問(wèn)題,本文提出了一種基于條件隨機(jī)場(chǎng)的交通標(biāo)志檢測(cè)... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211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】：

LeNet網(wǎng)絡(luò)結(jié)構(gòu)圖

助于分析被試者在這種沉浸式虛擬環(huán)境下的眼動(dòng)行為模式。（a）EyeLink 1000 （b）Dikablis （c）Tobbi Pro Glasses 2圖2.4 眼動(dòng)儀設(shè)備

提高了識(shí)別的準(zhǔn)確率。3.2 基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志的檢測(cè)與識(shí)別圖3.1 算法流程圖基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志的檢測(cè)與識(shí)別算法的流程如圖3.1所示，訓(xùn)練階段，首先進(jìn)行多通道的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，然后通過(guò)該網(wǎng)絡(luò)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行卷積特征的提取，以這些特征向量作為輸入，訓(xùn)練以樸素貝葉斯分類器（Naive Bayes，NB）作為基分類器的集成分類器；測(cè)試階段，首先對(duì)待處理圖像進(jìn)行候選區(qū)域的提取，即根據(jù)路標(biāo)顏色特性對(duì)圖像進(jìn)行紅藍(lán)顏色標(biāo)準(zhǔn)化，接著對(duì)標(biāo)準(zhǔn)化后的圖像進(jìn)行顯著性處理，

【參考文獻(xiàn)】：
期刊論文
[1]聯(lián)合眼動(dòng)和腦電的汽車工業(yè)設(shè)計(jì)用戶體驗(yàn)評(píng)選[J]. 唐幫備,郭鋼,王凱,林立,周婧,樊軒,許娜,郭小燕.  計(jì)算機(jī)集成制造系統(tǒng). 2015(06)
[2]眼動(dòng)儀與視線跟蹤技術(shù)綜述[J]. 趙新?tīng)N,左洪福,任勇軍.  計(jì)算機(jī)工程與應(yīng)用. 2006(12)

碩士論文
[1]基于圖論的交通標(biāo)志檢測(cè)研究[D]. 郭嘉琦.北京交通大學(xué) 2015



本文編號(hào)：3046109