發(fā)布時間：2021-06-14 23:35

　　交通標志檢測與識別是輔助駕駛、無人駕駛、智能導(dǎo)航等領(lǐng)域的關(guān)鍵技術(shù)之一。準確獲得道路前方的交通標志信息,能夠為駕駛員或智能車輛執(zhí)行正確動作提供決策支持,減少操作失誤,降低交通事故發(fā)生的頻率。出于安全性考慮,對交通標志的檢測與識別必須具備準確、快速的特點。本文在研究分析國內(nèi)外交通標志檢測與識別技術(shù)的基礎(chǔ)上,提出了一種自然環(huán)境下基于改進YOLOv3網(wǎng)絡(luò)的交通標志檢測與識別方法。本文主要的研究工作如下:1.本文使用imgaug庫對GTSDB數(shù)據(jù)集進行圖像增強,模擬生成雨雪天氣、霧霾天氣、陰暗天氣、強光天氣、大霧天氣情況下的數(shù)據(jù)樣本,并對數(shù)據(jù)集里數(shù)量較少且目標尺寸單一的圖片,做了縮放80%～180%的處理,使得在增強數(shù)據(jù)集上訓(xùn)練出來的網(wǎng)絡(luò)模型,可以適應(yīng)在真實道路場景下以及惡劣天氣環(huán)境下準確地對交通標志進行檢測與識別。2.YOLOv3使用K-means算法在COCO數(shù)據(jù)集上聚類得到的9個先驗框,有一部分在GTSDB數(shù)據(jù)集上并不適用。本文提出使用改進的K-means++算法在GTSDB數(shù)據(jù)集上重新聚類,得到9個新的先驗框,提高模型對bounding boxes的檢出率。3.在訓(xùn)練深度網(wǎng)絡(luò)模型時,BN... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１卷積運算過程??Ｆｉｇ．?２．１?Ｃｏｎｖｏｌｕｔｉｏｎ?ｏｐｅｒａｔｉｏｎ?ｐｒｏｃｅｓｓ??ｉ?Ｉ?］??３．激活函數(shù)??激活函數(shù)（ａｃｔｉｖａｔｉｏｎ）在卷積神經(jīng)網(wǎng)絡(luò)中的作用為增加網(wǎng)絡(luò)模型的非線性，提高模??

??１０?ｓｉｇｍ〇＿???Ｄｅｒｉｖａｔｉｖｅ?ｏｆ?ｓｉｇｍｏｉｄ?ｆｕｎｃｔｉｏｎ??〇？＊?／?０．２０－?／??０．６－?／?０－１５－?／?＼??：ｉ—ＪＪＴｐ。二??＾＾?］?－４－３－２－１０?１?２?３?４??０．０?＇?１?＂＊＊??＇?？?＇?１?？??７??－１０．０?－７．３?－５．０?－２．，?ａ〇?２．５?Ｓ．０?７．３?１０．０?＾??（ａ）?Ｓｉｇｍｏｉｄ型函數(shù)?（ｂ）?Ｓｉｇｍｏｉｄ型函數(shù)梯度??圖２．２?Ｓｉｇｍｏｉｄ函數(shù)及其函數(shù)梯度??Ｆｉｇ．?２．２?Ｓｉｇｍｏｉｄ?ｆｌｍｃｔｉｏｎ?ａｎｄ?ｉｔｓ?ｆｕｎｃｔｉｏｎａｌ?ｇｒａｄｉｅｎｔ??（２）?ＲｅＬＵ函數(shù)，其函數(shù)公式為：??ＲｅＬＵ?＝?ｍａｘ?（０；ｘ）?（２．２）??ＲｅＬＵ函數(shù)的優(yōu)勢在于當；ｃ＞＝０時，梯度值均為１，梯度保持穩(wěn)定，解決了?Ｓｉｇｍｏｉｄ??函數(shù)在輸入值特別大時，梯度為零的問題；而當；ｃ＜０時，梯度值為０，這樣當輸出為０??的神經(jīng)元增多時，特征相差較大，向絡(luò)泛化能力更強，并且減少了計算復(fù)雜度［３３】。因為??ＲｅＬＵ函數(shù)的這些優(yōu)點，該函數(shù)目前得到了人們的廣泛應(yīng)用。圖２．３為ＲｅＬＵ函數(shù)及其??導(dǎo)數(shù)的圖像。??ＲｅＬＵ（ｘ）?１０｜????４?／?Ｉ０６??／?Ｉ０４??２?／??／?００?????＂＾６?＾４?＾２?２?４?Ｖ?－８?－６?－４?－２?０?２?＜?＊?８??（ａ）?ＲｅＬＵ型函數(shù)?（ｂ）?ＲｅＬＵ型函數(shù)梯度??圖２．３?ＲｅＬＵ函數(shù)及其函數(shù)梯度??Ｆｉｇ．?２．３?ＲｅＬＵ?ｆｕｎｃｔｉｏｎ?ａｎｄ?ｉｔｓ?

?自然環(huán)境下基于改進Ｙ０Ｌ０ｖ３網(wǎng)絡(luò)的交通標志識別研究???有利于網(wǎng)絡(luò)的訓(xùn)練［３４］。??最大值米樣（ｍａｘ?ｐｏｏｌｉｎｇ）和均值釆樣（ｍｅａｎ?ｐｏｏｌｉｎｇ）是目前比較常見的池化方??式。輸入圖像劃分為若干子區(qū)域，最大值采樣是選擇輸出子區(qū)域的最大值，均值釆樣??是選擇輸出子區(qū)域的平均值，；具體操作見圖２．４。??????１?＾最大池化結(jié)果?１３?１０??５?１３?７?７?［?＞?????１０?１０??１２?４?９?１０?????４?１０?２?９??????：??平均池化結(jié)果?９?７??７?６?１０?１?Ｉ??＞???????１?、?７?５??圖２．４池化操作示例：??Ｆｉｇ：?２．４?Ｅｘａｍｐｌｅ?ｏｆ?ｐｏｏｌｉｎｇ?ｏｐｅｒａｔｉｏｎ??５．全連接層??全連接層（Ｆｕｌｌｙｃｏｎｎｅｃｔｅｄｌａｙｅｒｓ，?ＦＣ）在卷積神經(jīng)網(wǎng)絡(luò)中，起到對目標進行分類的??作用。它將網(wǎng)絡(luò)學(xué)習(xí)到的特征，映射到樣本標記空間叫全連接層輸出的數(shù)據(jù)一般會用??來做目標邊框的回歸和目標結(jié)果的分類。??６．輸出層??在卷積神經(jīng)網(wǎng)絡(luò)中一般緊跟著全連接層的就是輸出層。針對圖像分類問題，輸出層??輸出目標的類別；針對圖像檢測任務(wù)，輸出層輸出目標的位置信息；在圖像語義分割任??務(wù)中，輸出層直接輸出每個像素的分類結(jié)果。??２．２?ＹＯＬＯｖ３算法簡介??目前，以深度學(xué)習(xí)為基礎(chǔ)的目標檢測方法，主要可以分為兩大類：“ｔｗｏ－ｓｔａｇｅ”方法??和“ｏｎｅ－ｓｔａｇｅ”方法�！埃簦鳎铮螅簦幔纾濉敝傅氖菣z測和識別這兩個階段，該方法是基于候選區(qū)??域的，代表算法有?Ｒｅｇｉｏｎ

【參考文獻】：
期刊論文
[1]面向智能交通系統(tǒng)的物聯(lián)網(wǎng)體系結(jié)構(gòu)的研究[J]. 曠利平.  科技創(chuàng)新導(dǎo)報. 2019(34)
[2]基于ST-CNN的交通標志實時檢測識別算法[J]. 曲佳博,秦勃.  計算機科學(xué). 2019(S2)
[3]基于YOLO v3的交通標志牌檢測識別[J]. 潘衛(wèi)國,劉博,陳英昊,石洪麗.  傳感器與微系統(tǒng). 2019(11)
[4]用于交通標志檢測的窗口大小聚類殘差SSD模型[J]. 宋青松,王興莉,張超,陳禹,宋煥生,KHATTAK Asad Jan.  湖南大學(xué)學(xué)報(自然科學(xué)版). 2019(10)
[5]結(jié)合反殘差塊和YOLOv3的目標檢測法[J]. 焦天馳,李強,林茂松,賀賢珍.  傳感器與微系統(tǒng). 2019(09)
[6]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(xué)學(xué)報(工學(xué)版). 2019(05)
[7]改進的YOLO V3算法及其在小目標檢測中的應(yīng)用[J]. 鞠默然,羅海波,王仲博,何淼,常錚,惠斌.  光學(xué)學(xué)報. 2019(07)
[8]基于優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)在交通標志識別中的應(yīng)用[J]. 張邯,羅曉曙,袁榮尚.  現(xiàn)代電子技術(shù). 2018(21)
[9]深度殘差網(wǎng)絡(luò)的多光譜遙感圖像顯著目標檢測[J]. 戴玉超,張靜,Fatih PORIKLI,何明一.  測繪學(xué)報. 2018(06)
[10]基于Faster R-CNN的車輛多屬性識別[J]. 阮航,孫涵.  計算機技術(shù)與發(fā)展. 2018(10)

博士論文
[1]交通標志檢測與識別研究[D]. 朱盈盈.華中科技大學(xué) 2018

碩士論文
[1]基于深度學(xué)習(xí)的交通標志檢測及識別技術(shù)的應(yīng)用研究[D]. 陳澤民.西安工程大學(xué) 2019
[2]基于機器視覺的監(jiān)控視頻智能處理系統(tǒng)[D]. 姜明.北京工業(yè)大學(xué) 2019
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的小目標檢測[D]. 郭之先.南昌航空大學(xué) 2018
[4]基于多層卷積神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用[D]. 孫新勝.杭州電子科技大學(xué) 2018
[5]基于共享卷積神經(jīng)網(wǎng)絡(luò)的交通標志檢測與識別研究[D]. 徐江.長安大學(xué) 2018
[6]深度學(xué)習(xí)算法研究及其在圖像分類上的應(yīng)用[D]. 王曙.南京郵電大學(xué) 2016
[7]一種基于模板匹配的交通標志識別方法[D]. 王洋.吉林大學(xué) 2013



本文編號：3230444