發(fā)布時間：2020-11-18 12:17

　　 交通標志檢測與識別是高級輔助駕駛的關鍵技術之一,準確的獲取前方道路交通標志信息能夠為駕駛人員或智能車輛執(zhí)行動作提供決策支持,降低交通事故發(fā)生的概率。本文在分析研究國內外交通標志檢測與識別技術的基礎上,基于深度卷積神經網絡架構,提出了一種基于共享卷積神經網絡的交通標志檢測與識別方法,并對其進行了算法測試及對比分析。論文主要的研究工作如下:(1)提出了一種基于改進區(qū)域建議網絡(RPN)的交通標志檢測方法。首先,通過殘差卷積神經網絡(ResNet)對輸入圖像進行卷積操作,得到卷積特征圖;其次,為了檢測不同尺度的交通標志,設置基于輸入圖像的16?16、32?32、64?64、128?128、256?256五種錨點窗口;然后,將錨點窗口在最后一層卷積特征圖上進行卷積操作,得到固定維數的特征向量;最后,通過兩個全連接層輸出交通標志候選區(qū)域和邊框位置參數。本算法能夠有效地提高不同尺度交通標志檢測的魯棒性。(2)提出了一種基于改進空間金字塔池化網絡(SPPNet)的多尺度交通標志識別方法。首先,將交通標志檢測方法中得到的不同尺度的交通標志候選區(qū)域映射到ResNet卷積神經網絡中,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,得到固定長度的特征向量;最后,通過兩個全連接層輸出交通標志類型判定和邊框位置參數。本算法能夠有效地解決交通標志識別任務中多尺度輸入的問題。(3)實現了一種交通標志檢測與識別軟件系統(tǒng)。以本文提出的交通標志檢測與識別算法為基礎,搭建基于Windows平臺的交通標志檢測與識別軟件系統(tǒng),系統(tǒng)主要包括圖像采集與預處理模塊、網絡模型訓練模塊和交通標志檢測與識別模塊。通過對西安市道路的真實場景數據采集,實現該軟件系統(tǒng)的性能測試。測試結果表明,本系統(tǒng)能夠準確檢測前方道路的交通標志區(qū)域,并記錄交通標志的識別類型和時間。針對本文提出的基于共享卷積神經網絡的交通標志檢測與識別算法,采用德國交通標志檢測數據集(GTSDB)進行算法測試和性能分析,結果表明采用本文算法對測試集中的43類交通標志都有較好的識別結果,可以達到95%以上的平均識別率。通過對比分析基于Faster RCNN的交通標志檢測與識別算法以及基于“SS+AlexNet”的交通標志檢測與識別算法,證明了在綜合考量時間損耗以及識別精準率的基礎上,本文提出的算法明顯優(yōu)于另外兩種算法。
【學位單位】：長安大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：U463.6;TP183
【部分圖文】：

第三章對基于共享卷積神經網絡的交通標志檢測與識別算法進行具體分析。首先提出本文算法的整體架構，即交通標志檢測階段與交通標志識別階段共享 ResNet 卷積神經網絡，然后分別對基于 RPN 改進的交通標志檢測網絡和基于 SPPNet 改進的深度多尺度交通標志識別網絡進行具體論述及結構分析，最后定義整個網絡的損失函數及網絡訓練策略。第四章主要是對本文方法進行測試及性能分析。首先概述了網絡測試所選用的交通標志數據集，其次基于該數據集進行網絡參數調整并訓練網絡模型，然后得到本文方法的實驗結果，最后再與基于 Faster RCNN 的交通標志檢測與識別算法以及基于“SS+AlexNet”的交通標志檢測與識別算法進行對比分析，作出算法評價。第五章詳細論述了交通標志檢測與識別軟件系統(tǒng)的構建過程與實現細節(jié)。其中包括系統(tǒng)的總體概述以及系統(tǒng)軟件平臺功能模塊的實現。本文的組織結構如圖 1.3 所示：

圖 2.3 卷積神經網絡結構（1）卷積層卷積層是 CNN 的核心內容，從本質上來講，卷積核的作用等同于一個濾波器，通過對輸入圖像進行濾波操作，并對所得結果加上偏置參數然后送入激活函數中，得到最終的卷積值。每一個卷積核得到原圖的一種圖像特征，即稱為卷積特征圖。在經過本層的卷積操作后，將繼續(xù)向后續(xù)的卷積層傳遞。在實現環(huán)節(jié)，卷積層是利用卷積核在輸入層上滑動窗口而進行計算的，卷積核里的每一個參數大小都代表著輸入層對應位置所占的權重大小，由卷積核所得到的局部值為輸入層對應位置的參數與權值的乘積之和，如圖 2.4 所示。卷積層的輸入為5 5大小的圖像，其中一個卷積核為3 3大小，將其在輸入圖像上滑動同時計算卷積值，滑動窗口移動的步長為 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 個參數表示輸入圖像每個位置元素的權值，將不同元素按權重比例相乘并加起來即

N 的核心內容，從本質上來講，卷積核的作用等同濾波操作，并對所得結果加上偏置參數然后送入激個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窗口而進行計代表著輸入層對應位置所占的權重大小，由卷積核參數與權值的乘積之和，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同時計算則最終得到的(5 3 1) (5 3 1)大小即 的卷積入圖像每個位置元素的權值，將不同元素按權重比的值，最終按順序求出卷積特征圖。
【參考文獻】

相關期刊論文 前5條

1 賈永紅;胡志雄;周明婷;姬偉軍;;自然場景下三角形交通標志的檢測與識別[J];應用科學學報;2014年04期

2 馮春貴;祝詩平;王海軍;賀園園;;基于改進模板匹配的限速標志識別方法研究[J];西南大學學報(自然科學版);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志檢測[J];模式識別與人工智能;2011年02期

4 陳洪波;王強;徐曉蓉;陳真誠;湯井田;;用改進的Hough變換檢測交通標志圖像的直線特征[J];光學精密工程;2009年05期

5 徐迪紅;唐爐亮;;基于顏色和標志邊緣特征的交通標志檢測[J];武漢大學學報(信息科學版);2008年04期

相關碩士學位論文 前1條

1 王洋;一種基于模板匹配的交通標志識別方法[D];吉林大學;2013年

本文編號：2888709