本文關(guān)鍵詞：基于深度學(xué)習(xí)的交通標(biāo)志檢測(cè)算法研究

  更多相關(guān)文章： 交通標(biāo)志檢測(cè) 深度卷積神經(jīng)網(wǎng)絡(luò) 數(shù)據(jù)集 圖像分割 標(biāo)定

【摘要】：交通標(biāo)志作為重要的道路安全設(shè)施,在引導(dǎo)行人,規(guī)范駕駛員行為,指引車輛行駛路線等方面具有重要的作用。交通標(biāo)志檢測(cè)與識(shí)別算法已成為智能交通領(lǐng)域的研究熱點(diǎn)。由于交通標(biāo)志數(shù)據(jù)集的缺乏,現(xiàn)有的算法主要針對(duì)特定的某類交通標(biāo)志進(jìn)行檢測(cè),很少有實(shí)現(xiàn)中國(guó)全部7大類交通標(biāo)志檢測(cè)的算法。因此本文利用深度學(xué)習(xí)和圖切技術(shù)設(shè)計(jì)了一種交通標(biāo)志檢測(cè)、自動(dòng)標(biāo)定、卷積網(wǎng)絡(luò)模型訓(xùn)練的框架。實(shí)現(xiàn)交通標(biāo)志數(shù)據(jù)集的自動(dòng)構(gòu)建,迭代生成新的卷積網(wǎng)絡(luò)模型,得到更高精度的交通標(biāo)志檢測(cè)算法。該框架先利用互聯(lián)網(wǎng)中的圖片和實(shí)際拍攝的街道場(chǎng)景的726幅圖片,經(jīng)人工標(biāo)定后進(jìn)行亮度變換、高斯模糊和類別均衡處理,形成了包含了中國(guó)全部7大類交通標(biāo)志及其子類的交通初始數(shù)據(jù)集。然后利用基于候選區(qū)域+卷積特征的方法對(duì)VGG16,VGG_CNN_M_1024和ZF三種深度卷積神經(jīng)網(wǎng)絡(luò)預(yù)訓(xùn)練模型進(jìn)行微調(diào)訓(xùn)練,實(shí)現(xiàn)檢測(cè)中國(guó)7大類交通標(biāo)志的基本算法。實(shí)驗(yàn)分析了不同數(shù)據(jù)預(yù)處理和不同卷積網(wǎng)絡(luò)的效果,選用ZF為最后的卷積網(wǎng)絡(luò)模型,在初始測(cè)試數(shù)據(jù)集的檢測(cè)精度為91%,在增加測(cè)試數(shù)據(jù)后,精度下降為84%。為解決基本的檢測(cè)算法在泛化性能差的問(wèn)題,結(jié)合圖切技術(shù)對(duì)基本算法檢測(cè)的交通標(biāo)志進(jìn)行精定位。利用目標(biāo)包圍框與真實(shí)包圍框的交疊率(Intersection over Union,IoU)分析人工標(biāo)定數(shù)據(jù)和精定位的交通標(biāo)志信息的精度,得到了一種交通標(biāo)志自動(dòng)檢測(cè)標(biāo)定的方法。利用自動(dòng)標(biāo)定方法對(duì)視頻進(jìn)行分析,自動(dòng)收集新的標(biāo)志數(shù)據(jù),構(gòu)成新的標(biāo)志數(shù)據(jù)集。利用新的數(shù)據(jù)集訓(xùn)練卷積網(wǎng)絡(luò),得到新的卷積網(wǎng)絡(luò)模型,應(yīng)用于交通標(biāo)志檢測(cè),新的網(wǎng)絡(luò)模型比初始網(wǎng)絡(luò)模型的平均檢測(cè)精度提升了 7.5%。在手機(jī)錄制視頻中出現(xiàn)的1057個(gè)交通標(biāo)志中的1053個(gè),檢測(cè)率達(dá)到99.62%,驗(yàn)證了新模型的有效性。該標(biāo)志收集一模型訓(xùn)練過(guò)程可以一直循環(huán)下去,直到訓(xùn)練的模型滿足檢測(cè)精度要求為止。
【學(xué)位授予單位】：北方工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;TP183

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前1條

1 劉芳;鄒琪;;基于視覺(jué)注意機(jī)制的交通標(biāo)志檢測(cè)[J];計(jì)算機(jī)工程;2013年02期

，

本文編號(hào)：1285800