發(fā)布時(shí)間：2020-11-18 12:17

　　 交通標(biāo)志檢測(cè)與識(shí)別是高級(jí)輔助駕駛的關(guān)鍵技術(shù)之一,準(zhǔn)確的獲取前方道路交通標(biāo)志信息能夠?yàn)轳{駛?cè)藛T或智能車輛執(zhí)行動(dòng)作提供決策支持,降低交通事故發(fā)生的概率。本文在分析研究國(guó)內(nèi)外交通標(biāo)志檢測(cè)與識(shí)別技術(shù)的基礎(chǔ)上,基于深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu),提出了一種基于共享卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志檢測(cè)與識(shí)別方法,并對(duì)其進(jìn)行了算法測(cè)試及對(duì)比分析。論文主要的研究工作如下:(1)提出了一種基于改進(jìn)區(qū)域建議網(wǎng)絡(luò)(RPN)的交通標(biāo)志檢測(cè)方法。首先,通過(guò)殘差卷積神經(jīng)網(wǎng)絡(luò)(ResNet)對(duì)輸入圖像進(jìn)行卷積操作,得到卷積特征圖;其次,為了檢測(cè)不同尺度的交通標(biāo)志,設(shè)置基于輸入圖像的16?16、32?32、64?64、128?128、256?256五種錨點(diǎn)窗口;然后,將錨點(diǎn)窗口在最后一層卷積特征圖上進(jìn)行卷積操作,得到固定維數(shù)的特征向量;最后,通過(guò)兩個(gè)全連接層輸出交通標(biāo)志候選區(qū)域和邊框位置參數(shù)。本算法能夠有效地提高不同尺度交通標(biāo)志檢測(cè)的魯棒性。(2)提出了一種基于改進(jìn)空間金字塔池化網(wǎng)絡(luò)(SPPNet)的多尺度交通標(biāo)志識(shí)別方法。首先,將交通標(biāo)志檢測(cè)方法中得到的不同尺度的交通標(biāo)志候選區(qū)域映射到ResNet卷積神經(jīng)網(wǎng)絡(luò)中,得到不同大小的卷積特征圖;然后,利用SPP層將不同大小的卷積特征圖池化到固定大小輸出,得到固定長(zhǎng)度的特征向量;最后,通過(guò)兩個(gè)全連接層輸出交通標(biāo)志類型判定和邊框位置參數(shù)。本算法能夠有效地解決交通標(biāo)志識(shí)別任務(wù)中多尺度輸入的問(wèn)題。(3)實(shí)現(xiàn)了一種交通標(biāo)志檢測(cè)與識(shí)別軟件系統(tǒng)。以本文提出的交通標(biāo)志檢測(cè)與識(shí)別算法為基礎(chǔ),搭建基于Windows平臺(tái)的交通標(biāo)志檢測(cè)與識(shí)別軟件系統(tǒng),系統(tǒng)主要包括圖像采集與預(yù)處理模塊、網(wǎng)絡(luò)模型訓(xùn)練模塊和交通標(biāo)志檢測(cè)與識(shí)別模塊。通過(guò)對(duì)西安市道路的真實(shí)場(chǎng)景數(shù)據(jù)采集,實(shí)現(xiàn)該軟件系統(tǒng)的性能測(cè)試。測(cè)試結(jié)果表明,本系統(tǒng)能夠準(zhǔn)確檢測(cè)前方道路的交通標(biāo)志區(qū)域,并記錄交通標(biāo)志的識(shí)別類型和時(shí)間。針對(duì)本文提出的基于共享卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志檢測(cè)與識(shí)別算法,采用德國(guó)交通標(biāo)志檢測(cè)數(shù)據(jù)集(GTSDB)進(jìn)行算法測(cè)試和性能分析,結(jié)果表明采用本文算法對(duì)測(cè)試集中的43類交通標(biāo)志都有較好的識(shí)別結(jié)果,可以達(dá)到95%以上的平均識(shí)別率。通過(guò)對(duì)比分析基于Faster RCNN的交通標(biāo)志檢測(cè)與識(shí)別算法以及基于“SS+AlexNet”的交通標(biāo)志檢測(cè)與識(shí)別算法,證明了在綜合考量時(shí)間損耗以及識(shí)別精準(zhǔn)率的基礎(chǔ)上,本文提出的算法明顯優(yōu)于另外兩種算法。
【學(xué)位單位】：長(zhǎng)安大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：U463.6;TP183
【部分圖文】：

第三章對(duì)基于共享卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志檢測(cè)與識(shí)別算法進(jìn)行具體分析。首先提出本文算法的整體架構(gòu)，即交通標(biāo)志檢測(cè)階段與交通標(biāo)志識(shí)別階段共享 ResNet 卷積神經(jīng)網(wǎng)絡(luò)，然后分別對(duì)基于 RPN 改進(jìn)的交通標(biāo)志檢測(cè)網(wǎng)絡(luò)和基于 SPPNet 改進(jìn)的深度多尺度交通標(biāo)志識(shí)別網(wǎng)絡(luò)進(jìn)行具體論述及結(jié)構(gòu)分析，最后定義整個(gè)網(wǎng)絡(luò)的損失函數(shù)及網(wǎng)絡(luò)訓(xùn)練策略。第四章主要是對(duì)本文方法進(jìn)行測(cè)試及性能分析。首先概述了網(wǎng)絡(luò)測(cè)試所選用的交通標(biāo)志數(shù)據(jù)集，其次基于該數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)參數(shù)調(diào)整并訓(xùn)練網(wǎng)絡(luò)模型，然后得到本文方法的實(shí)驗(yàn)結(jié)果，最后再與基于 Faster RCNN 的交通標(biāo)志檢測(cè)與識(shí)別算法以及基于“SS+AlexNet”的交通標(biāo)志檢測(cè)與識(shí)別算法進(jìn)行對(duì)比分析，作出算法評(píng)價(jià)。第五章詳細(xì)論述了交通標(biāo)志檢測(cè)與識(shí)別軟件系統(tǒng)的構(gòu)建過(guò)程與實(shí)現(xiàn)細(xì)節(jié)。其中包括系統(tǒng)的總體概述以及系統(tǒng)軟件平臺(tái)功能模塊的實(shí)現(xiàn)。本文的組織結(jié)構(gòu)如圖 1.3 所示：

圖 2.3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（1）卷積層卷積層是 CNN 的核心內(nèi)容，從本質(zhì)上來(lái)講，卷積核的作用等同于一個(gè)濾波器，通過(guò)對(duì)輸入圖像進(jìn)行濾波操作，并對(duì)所得結(jié)果加上偏置參數(shù)然后送入激活函數(shù)中，得到最終的卷積值。每一個(gè)卷積核得到原圖的一種圖像特征，即稱為卷積特征圖。在經(jīng)過(guò)本層的卷積操作后，將繼續(xù)向后續(xù)的卷積層傳遞。在實(shí)現(xiàn)環(huán)節(jié)，卷積層是利用卷積核在輸入層上滑動(dòng)窗口而進(jìn)行計(jì)算的，卷積核里的每一個(gè)參數(shù)大小都代表著輸入層對(duì)應(yīng)位置所占的權(quán)重大小，由卷積核所得到的局部值為輸入層對(duì)應(yīng)位置的參數(shù)與權(quán)值的乘積之和，如圖 2.4 所示。卷積層的輸入為5 5大小的圖像，其中一個(gè)卷積核為3 3大小，將其在輸入圖像上滑動(dòng)同時(shí)計(jì)算卷積值，滑動(dòng)窗口移動(dòng)的步長(zhǎng)為 1，則最終得到的(5 3 1) (5 3 1)大小即 的卷積特征圖。該卷積核的 9 個(gè)參數(shù)表示輸入圖像每個(gè)位置元素的權(quán)值，將不同元素按權(quán)重比例相乘并加起來(lái)即

N 的核心內(nèi)容，從本質(zhì)上來(lái)講，卷積核的作用等同濾波操作，并對(duì)所得結(jié)果加上偏置參數(shù)然后送入激個(gè)卷積核得到原圖的一種圖像特征，即稱為卷積特繼續(xù)向后續(xù)的卷積層傳遞。卷積層是利用卷積核在輸入層上滑動(dòng)窗口而進(jìn)行計(jì)代表著輸入層對(duì)應(yīng)位置所占的權(quán)重大小，由卷積核參數(shù)與權(quán)值的乘積之和，如圖 2.4 所示。卷積層的積核為3 3大小，將其在輸入圖像上滑動(dòng)同時(shí)計(jì)算則最終得到的(5 3 1) (5 3 1)大小即 的卷積入圖像每個(gè)位置元素的權(quán)值，將不同元素按權(quán)重比的值，最終按順序求出卷積特征圖。
【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 賈永紅;胡志雄;周明婷;姬偉軍;;自然場(chǎng)景下三角形交通標(biāo)志的檢測(cè)與識(shí)別[J];應(yīng)用科學(xué)學(xué)報(bào);2014年04期

2 馮春貴;祝詩(shī)平;王海軍;賀園園;;基于改進(jìn)模板匹配的限速標(biāo)志識(shí)別方法研究[J];西南大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年04期

3 張靜;何明一;戴玉超;屈曉剛;;多特征融合的圓形交通標(biāo)志檢測(cè)[J];模式識(shí)別與人工智能;2011年02期

4 陳洪波;王強(qiáng);徐曉蓉;陳真誠(chéng);湯井田;;用改進(jìn)的Hough變換檢測(cè)交通標(biāo)志圖像的直線特征[J];光學(xué)精密工程;2009年05期

5 徐迪紅;唐爐亮;;基于顏色和標(biāo)志邊緣特征的交通標(biāo)志檢測(cè)[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2008年04期

相關(guān)碩士學(xué)位論文 前1條

1 王洋;一種基于模板匹配的交通標(biāo)志識(shí)別方法[D];吉林大學(xué);2013年

本文編號(hào)：2888709