交通路標(biāo)的識(shí)別不僅是無(wú)人駕駛中的關(guān)鍵技術(shù),也是高級(jí)車載系統(tǒng)的輔助工具。傳統(tǒng)的交通路標(biāo)識(shí)別方法雖然也可以進(jìn)行檢測(cè),但準(zhǔn)確率難以進(jìn)一步提升,而深度學(xué)習(xí)方法具有很強(qiáng)的特征表征能力,將其應(yīng)用于交通路標(biāo)的檢測(cè)識(shí)別能夠有效地幫助駕駛員(或無(wú)人車)完成正確的操作,從而減少或避免交通事故的發(fā)生。針對(duì)交通路標(biāo)檢測(cè)中存在的難點(diǎn)問(wèn)題,本文通過(guò)對(duì)SSD模型進(jìn)行改進(jìn),實(shí)現(xiàn)了對(duì)于小的交通路標(biāo)進(jìn)行檢測(cè)識(shí)別和精準(zhǔn)定位。相關(guān)的工作和創(chuàng)新點(diǎn)如下:(1)針對(duì)SSD模型在小目標(biāo)的檢測(cè)存在漏檢和檢測(cè)精度不高的問(wèn)題,提出了一種Dalation_DenseNet_SSD模型。該模型能夠改善網(wǎng)絡(luò)的特征提取能力,減少了因池化操作造成的信息丟失,有效地提高了對(duì)于小目標(biāo)的檢測(cè)性能。在CTSD數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)驗(yàn)證,實(shí)驗(yàn)結(jié)果表明改進(jìn)的Dalation_DenseNet_SSD模型其mAP相比Dalation_VGG_SSD和SSD模型分別增加了3.9%和6.4%,損失分別下降了0.5和1.8,同時(shí)召回率達(dá)到92.6%,精準(zhǔn)...

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1全國(guó)機(jī)動(dòng)車增長(zhǎng)數(shù)據(jù)圖

芯勘塵昂鴕庖?隨著社會(huì)經(jīng)濟(jì)的發(fā)展，人們的生活水平也隨之提升，汽車已成為人們一種普遍的交通工具。當(dāng)人們享受汽車帶來(lái)便利的同時(shí)，隨之也出現(xiàn)了很多社會(huì)問(wèn)題。如環(huán)境污染、交通堵塞、人為操作不當(dāng)造成的交通事故等問(wèn)題[1]。而交通事故是首要的也是最嚴(yán)重的問(wèn)題，交通事故不僅對(duì)社會(huì)造成一定的經(jīng)濟(jì)....

圖2-1神經(jīng)元

在手寫(xiě)數(shù)字識(shí)別上還占據(jù)著領(lǐng)先地位。CNN在圖像識(shí)別方面具有一定的優(yōu)越性，因其具有三個(gè)特點(diǎn)：局部感知域、權(quán)值共享和多卷積核。（1）局部感知域局部感知域也稱稀疏連接。人們對(duì)于事物的認(rèn)知都是通過(guò)局部到全部的一個(gè)過(guò)程，對(duì)于圖像的識(shí)別也是根據(jù)這一特征，即圖像的某一特征在局部區(qū)域是相對(duì)比較密....

圖2-2LeNet5結(jié)構(gòu)示意圖

曇觳饈侗鷸校珻NN是其主要的組成部分，CNN對(duì)輸入的圖像進(jìn)行特征提齲輸入的圖像可以是單通道的黑白圖像也可以是彩色的三通道圖像。CNN一般包括卷積層（ConvolutionalLayer）、池化層（PoolingLayer）、Dropout層、激活函數(shù)、全連接層（Fully-con....

圖2-3valid模式卷積操作

第二章基礎(chǔ)理論與技術(shù)9如果輸入的圖像的大小為w×h，卷積核的大小為k×k，輸出的圖像大小為""wh，步長(zhǎng)為s，則輸出和輸入的關(guān)系如式（2-2）和式（2-3）。"1wkws（2-2）"1hkhs（2-3）式（2-2）和式（2-3）是未經(jīng)過(guò)填充得到的特征圖大小，也就是valid模式，....

本文編號(hào)：3995478