隨著深度學(xué)習(xí)技術(shù)快速發(fā)展,基于深度學(xué)習(xí)技術(shù)的自動(dòng)駕駛技術(shù)如今成為科研人員最熱門(mén)的研究之一。交通標(biāo)志圖像識(shí)別是當(dāng)今自動(dòng)駕駛中需要解決的主要問(wèn)題。隨著神經(jīng)網(wǎng)絡(luò)在商業(yè)化的應(yīng)用,卷積神經(jīng)網(wǎng)絡(luò)越來(lái)越成為解決這類(lèi)問(wèn)題的首選方法。常見(jiàn)的卷積神經(jīng)網(wǎng)絡(luò)諸如R-CNN,Fast R-CNN并沒(méi)有很好的細(xì)粒度圖像處理能力,缺少對(duì)于圖像特征點(diǎn)的具體分析。本文提出對(duì)于該類(lèi)問(wèn)題可以從圖像的細(xì)粒度角度入手,采用對(duì)于細(xì)粒度敏感的RA-CNN算法,增強(qiáng)其對(duì)于復(fù)雜圖像的識(shí)別能力。本文采用的了基于注意力機(jī)制的RA-CNN算法與基于優(yōu)化的VGG19網(wǎng)絡(luò)結(jié)構(gòu),在保證VGG19原有性能的基礎(chǔ)上,對(duì)其進(jìn)行輕量級(jí)優(yōu)化,將其優(yōu)化為9層網(wǎng)絡(luò)結(jié)構(gòu),增強(qiáng)其模型收斂速度,同時(shí)使用Re LU函數(shù)做為網(wǎng)絡(luò)模型的激活函數(shù)。本文訓(xùn)練集與測(cè)試集均選自于CCTSDB數(shù)據(jù)庫(kù)中常見(jiàn)的交通標(biāo)志圖像,在訓(xùn)練與驗(yàn)證前事先通過(guò)對(duì)圖像進(jìn)行預(yù)處理操作如降噪,二值化,來(lái)增強(qiáng)圖像表達(dá)信息的能力。在進(jìn)行預(yù)處理完畢后,將圖像導(dǎo)入Tensor Flow平臺(tái)進(jìn)行訓(xùn)練,最后采用測(cè)試集來(lái)測(cè)試模的實(shí)際表現(xiàn)力。實(shí)驗(yàn)結(jié)果顯示,本文最終訓(xùn)練出的模型相對(duì)于傳統(tǒng)的支持向量機(jī)等方案更加優(yōu)秀,對(duì)于簡(jiǎn)單... 

【文章來(lái)源】：杭州電子科技大學(xué)浙江省

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

原始路標(biāo)圖像

浙江省碩士學(xué)位論文8正態(tài)曲線標(biāo)準(zhǔn)差如圖2.1所示：圖2.1正態(tài)曲線標(biāo)準(zhǔn)差示意圖在2.1圖中，高斯正態(tài)分布曲線整體呈現(xiàn)出拱橋形狀，即在拱橋中心，曲線的值將接近于最大，同時(shí)越遠(yuǎn)離拱橋的中心，其拱橋部取值將越校在正態(tài)曲線中計(jì)算平均值的情況下，需要將曲線中拱橋凸起部分作為其取值的零點(diǎn)，而對(duì)于其他取值點(diǎn)則應(yīng)該分別按照其在拱橋曲線上所在的定位，分別對(duì)其分配各自的占比，通過(guò)這種方式我們可以得到一個(gè)拱橋的加權(quán)數(shù)。而高斯濾波的二維函數(shù)則為式（2.3）：()()222/221,2xyGxye+=（2.3）對(duì)于原始圖像中的每個(gè)像素，我們都用如上公式進(jìn)行處理�？梢缘玫皆紙D像和經(jīng)過(guò)高斯濾波后的圖像分別如圖2.2和2.3所示：圖2.2原始路標(biāo)圖像

浙江省碩士學(xué)位論文9圖2.3高斯濾波后的路標(biāo)圖像圖2.3表示的是經(jīng)過(guò)高斯處理后的圖像，從該圖像中我們明顯能得到，經(jīng)過(guò)對(duì)圖像進(jìn)行高斯濾波降噪處理后，雖然噪音信息減少，但是丟失了原始圖像中很多的細(xì)節(jié)信息，最終的圖像整體上比較模糊。2.3.2雙邊過(guò)濾波長(zhǎng)除了業(yè)界所常用的高斯濾波降噪算法，同時(shí)也有使用雙邊過(guò)濾波長(zhǎng)降噪算法作為降噪解決方案的。雙邊過(guò)濾波長(zhǎng)方法充分的考慮到了高斯濾波方法的優(yōu)勢(shì)，其在加入了高斯濾波算法的參數(shù)以外，還開(kāi)創(chuàng)性的對(duì)像素鄰域下的值域劃分差系數(shù)進(jìn)行了添加處理，這種方式是在像素鄰域內(nèi)所包含的領(lǐng)鄰域的像素值與像素本身的像素通道值絕對(duì)值相差較大時(shí)，雙邊過(guò)濾波長(zhǎng)整體的系數(shù)值將發(fā)生影響，由這種方式帶來(lái)的無(wú)關(guān)像素在受到濾波算法所帶來(lái)的性能干擾就會(huì)越小，這種原像素不受到影響的現(xiàn)象一般發(fā)生于圖像像素矩陣邊緣，所以雙邊過(guò)濾波長(zhǎng)的降噪方法具有保護(hù)像素矩陣的邊緣的特點(diǎn)，降低了降噪算法對(duì)于圖片的影響。雙邊過(guò)濾波長(zhǎng)的距離模板公式[27]如式（2.4）所示：()()()222,,,exp2dikjldijkl+=（2.4）其中，（k，l）為模板窗口的中心坐標(biāo)；（i，j）為模板窗口的其他系數(shù)的坐標(biāo)；d為高斯函數(shù)的標(biāo)準(zhǔn)差。使用上文公式所帶來(lái)的濾波器效果與高斯濾波器所帶來(lái)的效果是大致相同的。值域模板系數(shù)的生成公式如（2.5）所示：()()()22,,,,,exp2rfijfklrijkl=（2.5）觀察公式，對(duì)于新的濾波器的生成可由式（2.4）與式（2.5）做乘法操作，后得到式（2.6），如下文所示：

【參考文獻(xiàn)】：
期刊論文
[1]一種改進(jìn)的CNN交通標(biāo)志識(shí)別算法[J]. 王博,李亞文.  計(jì)算機(jī)與數(shù)字工程. 2019(12)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)與集成學(xué)習(xí)的交通標(biāo)志識(shí)別[J]. 劉樹(shù)藝,李靜,胡春,王偉.  計(jì)算機(jī)與現(xiàn)代化. 2019(12)
[3]基于深度學(xué)習(xí)的交通標(biāo)志識(shí)別算法研究[J]. 郭志濤,雷瑤,袁金麗,史龍?jiān)?  現(xiàn)代電子技術(shù). 2019(22)
[4]基于YOLO v3的交通標(biāo)志牌檢測(cè)識(shí)別[J]. 潘衛(wèi)國(guó),劉博,陳英昊,石洪麗.  傳感器與微系統(tǒng). 2019(11)
[5]基于改進(jìn)RA-CNN的艦船光電目標(biāo)識(shí)別方法[J]. 霍煜豪,徐志京.  上海海事大學(xué)學(xué)報(bào). 2019(03)
[6]基于改進(jìn)LeNet-5的交通標(biāo)志識(shí)別算法研究[J]. 褚瑩,陶紀(jì)宇,凌力.  微型電腦應(yīng)用. 2019(09)
[7]卷積神經(jīng)網(wǎng)絡(luò)在掌紋識(shí)別中的性能評(píng)估[J]. 王海綸,李書(shū)杰,賈偉,劉曉平.  中國(guó)圖象圖形學(xué)報(bào). 2019(08)
[8]基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別方法[J]. 樊星,趙祥模,劉占文,沈超,徐江.  現(xiàn)代電子技術(shù). 2019(15)
[9]基于CNN的計(jì)算機(jī)生成圖像識(shí)別方法[J]. 秦毅,吳蔚.  西南師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(05)
[10]自然場(chǎng)景下的交通標(biāo)志識(shí)別系統(tǒng)[J]. 范思宇,謝剛,續(xù)欣瑩,謝新林.  現(xiàn)代電子技術(shù). 2019(09)

博士論文
[1]交通標(biāo)志檢測(cè)與識(shí)別研究[D]. 朱盈盈.華中科技大學(xué) 2018

碩士論文
[1]復(fù)雜環(huán)境下的交通標(biāo)志識(shí)別方法研究[D]. 張楠.武漢科技大學(xué) 2019
[2]基于深度學(xué)習(xí)的交通標(biāo)志識(shí)別研究[D]. 朱松.安徽理工大學(xué) 2019
[3]交通標(biāo)志識(shí)別及其目標(biāo)檢測(cè)深度學(xué)習(xí)算法研究[D]. 張逞逞.燕山大學(xué) 2019
[4]基于CNN的霧霾環(huán)境下交通標(biāo)志的識(shí)別[D]. 尹寧.中北大學(xué) 2019
[5]基于深度學(xué)習(xí)的交通標(biāo)志識(shí)別及實(shí)現(xiàn)[D]. 許慶志.北京交通大學(xué) 2018
[6]智能車(chē)交通標(biāo)志檢測(cè)與識(shí)別算法研究[D]. 崔萬(wàn)豪.西安科技大學(xué) 2018
[7]基于計(jì)算機(jī)視覺(jué)的交通標(biāo)志檢測(cè)與識(shí)別算法研究[D]. 張?zhí)煸?湖南大學(xué) 2018
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的人體姿態(tài)估計(jì)[D]. 張玉立.哈爾濱工程大學(xué) 2018
[9]基于深度學(xué)習(xí)的交通標(biāo)志檢測(cè)與識(shí)別的研究[D]. 王燦雍.北京工業(yè)大學(xué) 2018
[10]基于深度學(xué)習(xí)的交通標(biāo)志識(shí)別技術(shù)研究[D]. 金建成.杭州電子科技大學(xué) 2018



本文編號(hào)：3492461