隨著智能駕駛的發(fā)展,交通標志檢測和識別成為車輛智能技術的重要功能之一。交通標志檢測效果因受到現實交通場景的復雜性如光照條件、遮擋等因素影響,以及車輛行駛中檢測的高準確率和實時性要求,給交通標志檢測技術研究帶來較大難度。傳統(tǒng)的交通標志檢測算法主要采用人工設計特征來獲得目標候選區(qū),檢測過程運算數據量大,很難實現實時道路行駛檢測�；诰矸e神經網絡的目標檢測可自動提取特征、運算量小、能對多種類別目標進行檢測,為交通標志檢測帶來新的技術。本文提出了針對于中國交通標志檢測的改進深度卷積神經網絡模型算法。主要研究內容如下:首先,針對中國交通標志數據集的匱乏問題,建立符合中國交通道路實情的交通標志數據集。采用區(qū)域裁剪、直方圖均衡化、尺寸歸一化和圖像對比度增強,對圖像預處理,加入BM3D（Block Matching 3D）去噪算法進行去噪,降低實景環(huán)境中對圖像質量的影響,獲得高品質圖像,并通過實驗驗證預處理方法的有效性和正確性。其次,基于YOLOv2（You Only Look Once v2）算法及卷積神經網絡,實現檢測精度的顯著提高。針對其對于小型的目標檢測精度不高,對原網絡的損失函數,采用歸一化... 

【文章頁數】：63 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 交通標志檢測算法研究現狀
        1.2.1 基于傳統(tǒng)方法的交通標志檢測算法
        1.2.2 基于深度學習的交通標志檢測算法
    1.3 交通標志檢測難點
    1.4 研究內容及章節(jié)安排
2 交通標志圖像檢測方法
    2.1 基于侯選區(qū)域檢測方法
        2.1.1 R-CNN
        2.1.2 SPP-NET
        2.1.3 Fast R-CNN
    2.2 基于回歸檢測方法
        2.2.1 SSD
        2.2.2 YOLO系列算法
    2.3 評價指標
    2.4 本章小結
3 基于改進YOLOv2的交通標志檢測算法
    3.1 數據集的建立
        3.1.1 交通標志數據集
        3.1.2 數據集的標注
    3.2 交通標志圖像的預處理
        3.2.1 區(qū)域裁剪
        3.2.2 BM3D算法去噪
        3.2.3 圖像尺寸歸一化
        3.2.4 彩色圖像的直方圖均衡化
    3.3 YOLOv2算法
        3.3.1 anchor和 IOU回歸
        3.3.2 網絡結構
    3.4 基于改進YOLOv2的交通標志檢測算法
        3.4.1 改進的YOLOv2網絡模型
        3.4.2 損失函數的優(yōu)化
    3.5 改進YOLOv2的實驗分析
        3.5.1 模型訓練分析
        3.5.2 不同尺寸對比分析
    3.6 本章小結
4 交通標志檢測實現
    4.1 實驗環(huán)境搭建
        4.1.1 硬件平臺
        4.1.2 軟件平臺
    4.2 預處理實驗分析
        4.2.1 實驗結果
        4.2.2 預處理對比分析
    4.3 交通標志檢測系統(tǒng)設計
    4.4 實驗結果分析
        4.4.1 中國交通標志的檢測結果分析
        4.4.2 德國交通標志的檢測結果分析
        4.4.3 離線視頻的檢測結果分析
    4.5 本章小結
5 結論與展望
    5.1 結論
    5.2 展望
致謝
參考文獻
附錄


【參考文獻】：
期刊論文
[1]基于深度學習的交通標志識別算法[J]. 徐仙偉,曹霽.  計算機時代. 2019(06)
[2]基于殘差單發(fā)多框檢測器模型的交通標志檢測與識別[J]. 張淑芳,朱彤.  浙江大學學報(工學版). 2019(05)
[3]一種改進的交通標志檢測方法[J]. 黃尚安,董超俊,林庚華,甄俊杰.  現代計算機(專業(yè)版). 2019(06)
[4]智能車環(huán)境視覺感知及其關鍵技術研究現狀[J]. 陳政宏,李愛娟,邱緒云,袁文長,葛慶英.  河北科技大學學報. 2019(01)
[5]基于Gabor特征提取和SVM交通標志識別方法研究[J]. 張傳偉,崔萬豪.  現代電子技術. 2018(17)
[6]基于RGB視覺模型的交通標志分割[J]. 黃志勇,孫光民,李芳.  微電子學與計算機. 2004(10)

博士論文
[1]基于深度遷移學習的輔助駕駛應用研究[D]. 彭希帥.上海交通大學 2019
[2]稀疏表示及多示例跟蹤算法研究及其在視頻監(jiān)控中的應用[D]. 楊紅紅.西北工業(yè)大學 2018
[3]基于深度學習的運動目標檢測與跟蹤研究[D]. 周祥增.西北工業(yè)大學 2016

碩士論文
[1]交通標志檢測算法及其應用研究[D]. 黃海如.上海交通大學 2019
[2]基于卷積神經網絡的單目圖像深度估計研究[D]. 朱沛賢.南京郵電大學 2018
[3]基于深度學習的交通標志識別及實現[D]. 許慶志.北京交通大學 2018
[4]智能車交通標志檢測與識別算法研究[D]. 崔萬豪.西安科技大學 2018
[5]面向移動端的輕量級卷積神經網絡分類算法研究[D]. 馬帥.華南理工大學 2018
[6]基于卷積神經網絡的小目標行人檢測研究[D]. 蔣家俊.蘭州理工大學 2018
[7]基于YOLOv2的實時目標檢測研究[D]. 雷維卓.重慶大學 2018
[8]基于卷積神經網絡的中國交通標志檢測研究[D]. 黃曼婷.長沙理工大學 2018
[9]基于計算實驗的公共交通需求預測方法研究[D]. 彭蕾.華中科技大學 2017
[10]基于深度學習的交通標志檢測算法研究[D]. 王聰.北方工業(yè)大學 2017



本文編號：3646806