原文传递
基于TensorFLow的交通标识智能识别系统设计
| 论文题名： | 基于TensorFLow的交通标识智能识别系统设计 |
| 关键词： | 交通标识;智能识别系统;TensorFlow框架;软件设计 |
| 摘要： | 交通标识识别系统作为智能驾驶系统的重要组成部分，在先进驾驶辅助、交通标识自动维护、无人车自动驾驶等多方面具有重要作用，是智能驾驶系统研究的关键和基础。然而，真实的道路交通环境复杂多变，光照条件、天气状况、局部遮挡、视角倾斜、背景色相似干扰等问题使交通标识识别系统的研究面临许多困难。 本文在总结交通标识识别技术研究现状的基础上，分析了现有方法存在的问题，基于TensorFlow框架搭建了改进的卷积神经网络，用于识别交通标识，并对交通标识识别上位机系统进行了设计和实现。 本文研究内容如下: 1.针对交通标识识别问题，基于TensorFlow框架实现了一种多尺度特征卷积神经网络。利用卷积核滑动滤波提取特征，通过最大值池化技术降维，通过调整网络结构中的参数和使用RELU激活函数来优化网络性能，采用Dropout、L2正则化和早停(early stopping)方式来防止过拟合。网络模型在GTSRB数据集上进行测试，识别准确率达99.26％。 2.针对GTSRB数据集数据样本各类数据量分布不均衡问题，采用水平垂直镜像，随机旋转和投影变换来增加数据集的均衡多样性。针对交通标识在不同光照条件下会产生特征提取干扰的问题，使用改进的自适应直方图均衡化方法，对GTSRB交通标识数据集中的数据样本进行前期处理。同时，为了增强系统的安全性，可靠性和灵活性，加快运行速度，本文将数据预处理和训练过程都配置到云服务器上运行。 3.设计了交通标识识别系统上位机软件，上位机软件中将卷积神经网络模型导入，在本地完成了对实景图片和视频流样本的测试，取得了较好的实验效果。 综上所述，本文提出的方法能够达到较高的准确率和分类精度，同时保证了识别效率。本文开发的交通标识识别上位机系统，可以实现对实景图片和视频流的交通标识的识别，最终得到80.36％的测试准确率。 |
| 作者： | 李晶 |
| 专业： | 控制工程 |
| 导师： | 宋丽梅;刘卉 |
| 授予学位： | 硕士 |
| 授予学位单位： | 天津工业大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
