本文關(guān)鍵詞：基于深度卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識別

  更多相關(guān)文章： 深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò) 交通標(biāo)志 模式識別 支持向量機

【摘要】：道路交通標(biāo)志識別是智能交通系統(tǒng)與先進輔助駕駛系統(tǒng)的重要組成部分,是計算機視覺和模式識別領(lǐng)域的國內(nèi)外研究熱點之一。本文將采集于自然場景下的德國交通標(biāo)志圖像數(shù)據(jù)集GTSRB作為研究對象,通過對卷積神經(jīng)網(wǎng)絡(luò)、支持向量機和GTSRB數(shù)據(jù)集圖像特點進行研究,探索道路交通標(biāo)志分類識別新方法。本文主要創(chuàng)新性工作包括：(1)對深度學(xué)習(xí)方法中的棧式自動編碼器、受限玻爾茲曼機、深度置信網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)進行對比研究；重點分析卷積神經(jīng)網(wǎng)絡(luò)中的LeNet-5模型,該模型能夠較好的提取圖像多尺度特征；論述支持向量機的工作原理,該分類器通過構(gòu)造最優(yōu)分類超平面來達到全局最優(yōu),具有良好的分類效果且應(yīng)用廣泛。(2)針對GTSRB數(shù)據(jù)集中的交通標(biāo)志圖像,提出一種簡單有效的圖像預(yù)處理方法。該方法先對原始圖像進行裁剪,進而減少背景信息的干擾;再通過灰度化、圖像增強以及尺寸歸一化等圖像處理方法,使圖像目標(biāo)區(qū)域更加清晰,圖像特征更加明顯。實驗結(jié)果表明,所提出的預(yù)處理方法能夠提高圖像質(zhì)量,便于后續(xù)的圖像識別。(3)將卷積神經(jīng)網(wǎng)絡(luò)與支持向量機相結(jié)合,提出一種基于二級改進LeNet-5模型的交通標(biāo)志識別算法。該算法首先根據(jù)識別系統(tǒng)的實時性要求,對原始LeNet-5模型結(jié)構(gòu)進行改進；然后根據(jù)ROI增強預(yù)處理方法對原始圖像進行預(yù)處理；接下來,利用數(shù)據(jù)集GTSRB訓(xùn)練出一個二級改進LeNet-5模型,其中第一級改進LeNet-5模型將感興趣區(qū)域中包含的交通標(biāo)志粗分為6類,第二級改進LeNet-5模型對粗分類結(jié)果進行細(xì)分類,識別出交通標(biāo)志所屬的最終類別。實驗結(jié)果表明,基于二級改進LeNet-5模型交通標(biāo)志識別算法因網(wǎng)絡(luò)模型能夠提取交通標(biāo)志的多尺度特征,識別正確率可達91.76%。
【關(guān)鍵詞】：深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò) 交通標(biāo)志 模式識別 支持向量機
【學(xué)位授予單位】：陜西師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41;TP183
【目錄】：

• 摘要3-4
• Abstract4-7
• 第1章 緒論7-11
• 1.1 研究的背景及意義7-8
• 1.2 交通標(biāo)志識別的國內(nèi)外研究現(xiàn)狀8-10
• 1.2.1 國內(nèi)研究現(xiàn)狀8-9
• 1.2.2 國外研究現(xiàn)狀9-10
• 1.3 本文的內(nèi)容安排10-11
• 第2章 相關(guān)理論基礎(chǔ)11-23
• 2.1 深度學(xué)習(xí)常用方法11-19
• 2.1.1 棧式自動編碼器11-12
• 2.1.2 受限玻爾茲曼機12-14
• 2.1.3 深度置信網(wǎng)絡(luò)14-15
• 2.1.4 卷積神經(jīng)網(wǎng)絡(luò)15-19
• 2.2 LeNet-519-20
• 2.3 支持向量機20-21
• 2.4 小結(jié)21-23
• 第3章 交通標(biāo)志圖像預(yù)處理23-33
• 3.1 采用的數(shù)據(jù)集23
• 3.2 GTSRB數(shù)據(jù)集的圖像預(yù)處理方法23-28
• 3.2.1 區(qū)域裁剪24
• 3.2.2 圖像灰度化24-25
• 3.2.3 圖像增強25-26
• 3.2.4 圖像尺寸歸一化26-28
• 3.3 實驗與分析28-31
• 3.3.1 實驗結(jié)果28-30
• 3.3.2 與其他預(yù)處理方法對比30-31
• 3.4 小結(jié)31-33
• 第4章 基于二級改進LeNet-5模型的交通標(biāo)志識別算法33-49
• 4.1 改進LeNet-5模型33-34
• 4.2 基于二級改進LeNe-5模型的交通標(biāo)志識別算法34-37
• 4.3 仿真實驗及性能37-48
• 4.3.1 網(wǎng)絡(luò)模型對圖像的特征表示37-38
• 4.3.2 預(yù)處理方法的有效性測試38-39
• 4.3.3 網(wǎng)絡(luò)模型有效性測試39-40
• 4.3.4 網(wǎng)絡(luò)的收斂性測試40
• 4.3.5 各類標(biāo)志測試結(jié)果40-46
• 4.3.6 網(wǎng)絡(luò)模型的性能分析46-48
• 4.4 小結(jié)48-49
• 第5章 總結(jié)和展望49-51
• 5.1 總結(jié)49-50
• 5.2 展望50-51
• 參考文獻51-55
• 致謝55-57
• 攻讀碩士學(xué)位期間的研究成果57

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張力;張洞明;鄭宏;;基于聯(lián)合層特征的卷積神經(jīng)網(wǎng)絡(luò)在車標(biāo)識別中的應(yīng)用[J];計算機應(yīng)用;2016年02期

2 郭麗麗;丁世飛;;深度學(xué)習(xí)研究進展[J];計算機科學(xué);2015年05期

3 宣森炎;龔小謹(jǐn);劉濟林;;基于聯(lián)合卷積和遞歸神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識別[J];傳感器與微系統(tǒng);2014年08期

4 周廣波;李豪杰;;一種基于顏色不變量和PHOG特征的交通標(biāo)志檢測方法[J];計算機應(yīng)用與軟件;2014年08期

5 李妍;劉茂福;姬東鴻;;基于支持向量機的中文文本蘊涵識別研究[J];計算機應(yīng)用與軟件;2014年04期

6 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;2014年01期

7 于廣濱;丁剛;姚威;黃龍;;基于支持過程向量機的航空發(fā)動機排氣溫度預(yù)測[J];電機與控制學(xué)報;2013年08期

8 王艷梅;張艷珠;鄭成文;;基于支持向量機的人臉識別方法的研究[J];控制工程;2013年S1期

9 馮春貴;祝詩平;王海軍;賀園園;;基于改進模板匹配的限速標(biāo)志識別方法研究[J];西南大學(xué)學(xué)報(自然科學(xué)版);2013年04期

10 秦傳東;劉三陽;張市芳;;一種腫瘤基因的支持向量機提取方法[J];西安電子科技大學(xué)學(xué)報;2012年01期

，

本文編號：805341