原文传递
基于稠密网络的无人驾驶汽车交通标志牌识别技术研究
| 论文题名： | 基于稠密网络的无人驾驶汽车交通标志牌识别技术研究 |
| 关键词： | 无人驾驶汽车;交通标志牌;识别系统;深度学习;深层卷积神经网络 |
| 摘要： | 众所周知，无人驾驶汽车环境感知技术中一个重要环节是交通标志牌检测识别。计算机计算水平地不断提升，以及人工智能催生的机器学习、深度学习的深入研究，为交通标志牌识别的研究指明了方向，识别系统实时性与准确性逐渐得到提高。 本文以研究高准确性与高实时性自动交通标志牌检测和识别系统为目标，通过研究分析目前各方面性能表现优异的深层卷积神经网络，利用深度学习的方法构建交通标志牌识别模型。主要研究工作点如下: 1)对深层卷积神网络的综述。首先介绍卷积神经网络的基础构件及方法，理解其对网络特征提取效率，降低计算量，加速网络收敛等起到了重要作用;然后介绍各类深层卷积神经网络的结构与发展脉络，其结果是深层卷积神经网络性能不断得到提升;重点分析ResNet（残差网络）和DenseNet（稠密网络），通过展开ResNet后发现，当实际路径长于有效路径时，法向传播过程权值无法得到更新，即反向传播的过程中能确保更新权值，这就是DenseNet提出来的意义。 2)设计交通标志牌识别稠密网络模型。本文稠密网络模型主要有三个部分组成，即预处理网络、特征提取网络、分类网络。预处理网络是指粗略地对数据集进行颜色空间转换、提取图像特征，为后续的特征提取层做预处理;特征提取网络采用DenseNet的稠密块构建方法，提出宽浅稠密网络的设计思路，减少训练时间和内存占用;分类网络则采用average pooling（全局平均池化），每张特征图均对应一个输出类特征。 3)数据集扩增处理。采用German Traffic Sign Dataset数据集来训练和验证模型，通过翻转操作和数据增强操作来扩充训练集图片数量，并且考虑到各类间图片数量均衡，重采样了训练集，随机选取训练样本进行形态学变换和照度变换，经过数据扩增后训练集数量增至860000张。 4)稠密网络模型训练与测试。训练过程设置超参数，其中损失函数包含SoftMax分类交叉熵损失和L2正则损失，优化解析器采用SGD(Stochastic Gradient Descent，即随机梯度下降)。在迭代训练时采用动态数据扩增的策略使得网络适应训练数据变化，在检测和识别实验中选取一般环境和特殊环境下标志牌识别。 |
| 作者： | 汪明明 |
| 专业： | 机械工程；车辆工程 |
| 导师： | 尹燕莉 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
