原文传递
基于深度学习的交通标志识别技术研究
| 论文题名： | 基于深度学习的交通标志识别技术研究 |
| 关键词： | 交通标志识别;深度学习;卷积神经网络;KPCANet技术 |
| 摘要： | 交通标志识别在无人驾驶与智能交通中，因为驾驶员在行车过程中会因为注意力不集中而错过交通标志，自动化的交通标志分类将有助于驾驶员安全驾驶。在实际应用场景中，各种因素会给交通标志识别造成影响，例如天气、拍摄角度、遮挡等。这要求识别算法对于旋转、遮挡、光照等因素具有一定的鲁棒性，并且能够满足实时性的要求，传统的交通标志识别方法首先会人工提取图像的某些特征，然后选择合适的分类器进行识别。但是传统方法都需要人工干预提取特征，会存在特征的遗漏与丢失，使得算法鲁棒性不高。并且传统方法对于采集图像的质量要求较高，实际的驾驶环境中常常无法采集到高质量的交通标志图像。 与传统方法相比，深度学习能够实现非监督地自动提取特征，其中卷积神经网络在图像识别上已经取得了显著成果。本文分析了深度学习的优缺点，深入研究了卷积神经网络的理论知识，在现有的卷积网络上加以改进提出了适用于交通标志识别的网络结构。本文的工作主要体现如下: (1)作为卷积神经网络中的一种，PCANet能通过主成分分析直接计算出每层卷积层的滤波器，无需进行反向传播更新每层的参数，但是由于主成分分析PCA只考虑了线性因素，通过PCA所提取的特征不够丰富，所以本文将核方法引入到了滤波器的学习阶段，从而提出了KPCANet并应用于交通标志识别。该网络先利用两层卷积网络来提取特征，然后将提取的特征通过非线性映射与池化后由支持向量机SVM进行分类。在德国交通标志标准数据库上的实验表明该网络能够有效识别交通标志。 (2)基本的卷积神经网络中，通常采用单一的池化方法进行特征采样，忽略了池化方法之间的相互作用，从而影响了分类效果。故本文提出了一种混合池化的浅层卷积神经网络，该网络将最大化池化方法和平均池化方法都引入了网络结构中，并选择了计算效率更高的ReLU作为激活函数，最后采用满足Softmax-loss函数的线性层作为分类器。在德国交通标志标志数据库上进行实验表示该网络不仅具有较高的识别率，更是具有较好的实时性。 |
| 作者： | 黄倩倩 |
| 专业： | 计算机科学与技术 |
| 导师： | 张建明 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长沙理工大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
