原文传递
基于深度卷积神经网络的交通标志识别研究
| 论文题名： | 基于深度卷积神经网络的交通标志识别研究 |
| 关键词： | 交通标志;图像识别;特征提取;深度卷积神经网络 |
| 摘要： | 随着社会经济的发展，汽车数量急剧增加，交通安全成为日益严重的社会问题，因此基于视觉交通标志识别系统迅速发展起来，并成为实景图像识别中热点研究问题。但在自然场景下交通标志图像由于背景干扰、光照变化以及局部遮挡等因素，所获得的图像质量往往不高，严重影响了识别率和识别速度。针对这一问题，结合现有的交通标志检测与识别算法，兼顾实时性，论文将改进的深度卷积神经网络融入到交通标志识别系统中，不仅增强了系统的鲁棒性，还实现了真正意义上的端对端识别，使其在车载系统与交通监管等领域具有广阔的应用前景。具体研究内容如下： （1）基于位置先验知识与ROI交通标志检测。首先利用位置先验知识结合颜色矩与HU不变矩对采集到的交通标志图像进行调整，得到图像的显著图；其次进行亮度均衡化处理和颜色增强；最后通过MSER算法提取交通标志所在的感兴趣区域。实验表明，由于采用HU不变矩与仿射不变性的MSER算法进行感兴趣区域的提取，使其对光照变化、交通标志局部遮挡等具有一定的鲁棒性，且引入位置先验知识排除了大量背景干扰，能够达到交通标志检测的目的。 （2）基于ROI-CNN交通标志识别系统的设计。系统首先通过交通标志位置先验知识提取ROI；将提取的ROI输入构建的CNN网络进行特征提取；最后采用一个全连接的BP网络完成分类识别。由于CNN具有局部感受野、权值共享等特性，识别时只需要输入原始的交通标志像素特征，相对于传统识别算法的人工特征提取其干扰能力强，参数数目少，训练时间短，因此系统能进一步对受背景干扰、光照变化图像提高识别率和实时性。 （3）基于改进的Faster R-CNN交通标志识别。首先将交通标志位置分布先验知识引入到Faster R-CNN的RPN区域生成网络，增加对交通标志视觉候选区域选择的指导作用，实现了真正意义上的端对端；其次引入时域信息快速精确的筛选出极少的高质量的预选窗口，解决了候选区域检测、筛选耗时长的问题。大量实验表明：相对于SVM、ROI-CNN等方法基于改进的Faster R-CNN方法在识别速度与实时性方面都明显提高。 |
| 作者： | 黄娜君 |
| 专业： | 无线电物理 |
| 导师： | 汪慧兰 |
| 授予学位： | 硕士 |
| 授予学位单位： | 安徽师范大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
