基于特征融合与深度卷积神经网络的交通标识识别

代理获取

页面导航

目录
摘要
著录项
相似文献
相关主题

摘要

汽车在人们生活中扮演着越来越重要的角色，安全畅通的驾驶环境是交通系统的理想状态。交通标识识别是智能交通系统的重要组成部分，它主要包括交通标识的目标定位和目标识别两部分。以交通标识为研究对象，提出了基于特征融合和深度卷积神经网络的交通标识识别方法。
　　首先介绍了国内外交通标识识别的研究现状，对比了过去研究中目标定位与目标识别方法的优劣，提出了基于特征融合的目标定位方法和基于深度卷积神经网络的目标识别方法。
　　在目标定位问题上，通过提取HOG特征和LBP特征，串行融合后使用支持向量机作为分类器。实验证明该方法可以对含交通标识的图片进行有效定位，并能够排除不含交通标识的图片干扰。
　　深度卷积神经网络是近年来提出的区别于浅层神经网络的机器学习方法模型，因其优秀的学习能力和应用效果受到广泛重视。介绍了自动编码机、稀疏编码、受限玻尔兹曼机、深度信念网络和卷积神经网络等原理和训练方法，重点介绍了ALexNet和GoogleNet等深度卷积神经网络模型。
　　根据研究对象和应用场景，提出了针对交通标识识别的深度卷积神经网络模型TSR9L-Net，并建立了相应的训练图像数据库。通过平衡识别率和识别速度，提出一个含9层的轻量级参数数量模型，其中权重层为6层。分别对含7类警告标识和15类禁令标识的样本训练集进行训练，同时对比LeNet-5、AlexNet和TSR9L-Net三种模型的训练效果。其中TSR9L-Net能够在保证准确率的前提下，提升识别速度。GPU硬件平台下，7类标识每批40张识别速度达29.3ms，准确率99.09％；15类标识每批40张识别速度32.0ms，准确率99.29%。无论是识别率还是识别速度，都优于AlexNet。

著录项

作者
刘志;
展开▼
作者单位

广东工业大学;

展开▼
授予单位广东工业大学;
学科信息与通信工程
授予学位硕士
导师姓名吴黎明;
年度 2017
页码
总页数
原文格式 PDF
正文语种中文
中图分类 TP391.41;U491.52;
关键词
交通标识识别; 深度卷积神经网络; 特征融合; 目标定位; 特征提取;

相似文献

中文文献
外文文献
专利

1. 基于特征融合和改进卷积神经网络的环境音识别 [J] . 徐睿 ,李志华 ,韩灿灿 . 计算机与现代化 . 2021,第002期
2. 基于特征融合卷积神经网络的车型精细识别 [J] . 李致金 ,张亮 ,武鹏 . 计算机工程与设计 . 2020,第001期
3. 基于YOLOv3深度卷积神经网络的遥感图像飞机目标识别 [J] . 柯青青 ,李润生 ,胡庆 . 信息工程大学学报 . 2020,第005期
4. 基于深度卷积神经网络的可见光舰船目标识别系统 [J] . 刘宗宝 ,谭智敏 ,张力 . 舰船电子工程 . 2020,第008期
5. 基于双谱一谱图特征和深度卷积神经网络的HRRP目标识别方法 [J] . 卢旺 ,张雅声 ,徐灿 . 系统工程与电子技术 . 2020,第008期
6. 基于特征比的平面目标识别 [C] . Jia Qi ,贾棋 ,Tian Xiaoyu . 2013年中国计算机学会人工智能会议 . 2013
7. 基于特征编码与卷积神经网络融合的车型识别算法研究 [A] . 李正琪 . 2015

基于特征融合与深度卷积神经网络的交通标识识别

目录

摘要

著录项

相似文献

相关主题

期刊订阅