交通標(biāo)志圖像識(shí)別是智能交通系統(tǒng)的重要組成部分,在駕駛員輔助系統(tǒng)中具有不可或缺的指導(dǎo)意義,在無人駕駛汽車領(lǐng)域中具有舉足輕重的應(yīng)用前景。本文以德國(guó)交通標(biāo)志圖像數(shù)據(jù)庫(kù)(GTSRB)為研究對(duì)象,根據(jù)交通標(biāo)志圖像的特點(diǎn),通過圖像增強(qiáng)等預(yù)處理技術(shù)提高了圖像質(zhì)量;基于深度卷積神經(jīng)網(wǎng)絡(luò)的方法改進(jìn)優(yōu)化了AlexNet網(wǎng)絡(luò)模型,在保證對(duì)交通標(biāo)志圖像識(shí)別的準(zhǔn)確率的情況下,提高識(shí)別的實(shí)時(shí)性。本文的主要研究?jī)?nèi)容和研究成果如下:第一,根據(jù)自然場(chǎng)景中的交通標(biāo)志圖像的特點(diǎn),采用灰度增強(qiáng)和尺寸規(guī)范化的方法來提高訓(xùn)練圖像的質(zhì)量,減少光照和背景干擾等對(duì)訓(xùn)練圖像的影響。第二,對(duì)基于深層卷積神經(jīng)網(wǎng)絡(luò)的AlexNet網(wǎng)絡(luò)模型進(jìn)行了改進(jìn),在提高識(shí)別精度的前提下,壓縮減少了參數(shù)總量,內(nèi)存消耗大幅減少。第三,基于Ubuntu系統(tǒng)平臺(tái)訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)模型,caffe深度學(xué)習(xí)框架下,通過可視化操作得到訓(xùn)練精度和損失函數(shù)隨迭代訓(xùn)練次數(shù)變化的曲線,展示了模型的收斂性和算法的先進(jìn)性。第四,通過對(duì)交通標(biāo)志圖像測(cè)試集的測(cè)試驗(yàn)證,得到了經(jīng)過改進(jìn)和優(yōu)化的Alexnet網(wǎng)絡(luò)模型的性能,并對(duì)比分析了識(shí)別效果。最終得出,基于改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志...

【文章頁(yè)數(shù)】：44 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
        1.1.1 論文研究背景及難點(diǎn)
        1.1.2 論文研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文的主要工作
    1.4 本文的章節(jié)安排
第2章 交通標(biāo)志識(shí)別方法介紹
    2.1 基于特征描述子和分類器的方法
    2.2 基于深度學(xué)習(xí)的方法
    2.3 深度學(xué)習(xí)理論基礎(chǔ)
        2.3.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.3.2 激活函數(shù)
        2.3.3 優(yōu)化方法
        2.3.4 Softmax分類器
    2.4 本章小結(jié)
第3章 交通標(biāo)志圖像的預(yù)處理
    3.1 圖像預(yù)處理
        3.1.1 圖像灰度化及灰度增強(qiáng)
        3.1.2 圖像尺寸歸一化
    3.2 交通標(biāo)志數(shù)據(jù)集
    3.3 本章小結(jié)
第4章 基于改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別
    4.1 經(jīng)典AlexNet網(wǎng)絡(luò)結(jié)構(gòu)
    4.2 改進(jìn)的AlexNet網(wǎng)絡(luò)結(jié)構(gòu)
    4.3 識(shí)別算法流程
    4.4 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
附錄 A
攻讀學(xué)位期間的研究成果
致謝



本文編號(hào)：3790821