详情

原文传递基于卷积网络的交通标志检测与识别算法研究

论文题名：	基于卷积网络的交通标志检测与识别算法研究
关键词：	智能交通系统;卷积神经网络;交通标志检测;目标识别;逐层贪婪训练
摘要：	如今我国经济高速发展，汽车作为经济发展的标志变的越来越多，然而汽车的增加，使我国面临巨大的交通压力，交通事故频发，安全驾驶问题越来越突出，因此必须发展智能化交通系统。在智能化交通系统中，最重要的是交通标志的检测与识别，在交通安全运行方面具有重大的现实意义，它能够减少驾驶员的驾驶疲劳，更好的保证出行安全。然而交通标志的检测与识别是一项具有挑战性的工作，在真实的环境中，交通标志往往处在比较复杂的背景中，交通标志或者被遮挡、或者老化严重比较模糊、或者光照比较强导致反光等，这些因素会给检测与识别带来困难。系统是装在汽车上，必须做到准确检测与识别，才能帮助驾驶员。本人在认真研究前人研究成果的基础上，主要使用深度学习技术对交通标志进行检测与识别。本文主要贡献如下: 　　交通标志是小目标，在整幅图像中所占的比例比较小，然而现有算法中，利用深度学习对目标进行检测，主要检测的是大目标，在整幅图像中占的比例比较大。利用卷积神经网络处理图像是目前主流方法，小目标经过几层卷积后，在最后一层特征图上很难发现细节信息，所以现有方法对小目标检测效果并不是很好。为解决这个问题，本算法在前人工作的基础上，对网络结构进行了改进，不但使用最后一层卷积特征图还使用低端特征图。因为低端特征图依然保留有小目标的特征信息，因此同时在最后一层特征图和第二层特征图上操作，提高检测的准确率。并且本算法具有普适性，传统方法都是针对特定国家的交通标志来设计特征进行目标检测，这些系统只能检测特定国家的交通标志，应用在其他国家上检测效果不佳，而本算法使用的是深度学习，自动学习特征，可以用在多个国家的交通标志检测上，具有普适性。　　为解决真实环境中交通标志状况比较复杂，训练网络结构比较缓慢这个问题，本文提出基于优化卷积网络结构的交通标志识别算法。该算法主要把卷积神经网络结构进行优化。为解决网络结构训练时比较缓慢，在卷积层中加入批量归一化层，在训练卷积神经网络结构的时候，第一层训练完后，必然会导致第二层的输入数据分布发生变化，使第二层重新适应新的数据分布，必然浪费大量时间，而加入批量归一化层后，使每一层的输出数据归一化为均值为零，方差为1，这样后面的卷积层不必每次训练都得重新适应数据分布，使训练速度大大加快。在最后的分类层使用支持向量机分类器，支持向量机只对错误分类的样本进行训练，而分对的样本不再关注，这样使训练样本减少，加快了训练速度。为解决由于真实环境状况比较复杂导致识别率不高的问题，使用逐层贪婪训练算法。该算法主要是一层一层的训练，先训练第一层，把参数保留，然后用训练好的参数初始化第二个网络结构的第一层，再训练，把参数全部保留，以此类推。通过以上这几种方法，对卷积网络结构进行优化，不但使训练速度大大提升，也使真实环境中交通标志的识别率相应的提高。
作者：	王晓斌
专业：	控制工程
导师：	黄金杰
授予学位：	硕士
授予学位单位：	哈尔滨理工大学
学位年度：	2017
正文语种：	中文