針對當前在真實環(huán)境中交通標志呈多尺度分布，且圖像背景復雜、天氣光照多變等多種因素造成識別精度低、識別速度慢等情況。提出了一種基于深度學習神經(jīng)網(wǎng)絡的交通標志識別的設計與實現(xiàn)。首先從公開數(shù)據(jù)集TT100K中選取出現(xiàn)次數(shù)最多的45類交通標志進行識別，接著對圖像進行mosaic等圖像增強及圖像處理。然后在深度學習神經(jīng)網(wǎng)絡中的YOLOv4網(wǎng)絡結構上進行改進，使用聚類劃分需要檢測的目標框尺寸和CIOU對預測結果進行優(yōu)化，最后使用遷移學習對模型進行訓練。通過對模型的評估發(fā)現(xiàn)，與現(xiàn)有的方法相比，該模型的識別精度更高，識別速度更快。

【文章頁數(shù)】：3 頁

【文章目錄】：
1 概述
2 檢測算法設計
    2.1 準備數(shù)據(jù)集
    2.2 數(shù)據(jù)集標注
    2.3 訓練模型構建
    2.4 模型訓練
    2.5 模型優(yōu)化
    2.6 模型評估
3 系統(tǒng)實現(xiàn)
4 結論



本文編號：3907653