交通标志识别
交通标志识别的相关文献在1996年到2022年内共计245篇,主要集中在自动化技术、计算机技术、公路运输、无线电电子学、电信技术
等领域,其中期刊论文193篇、会议论文3篇、专利文献339017篇;相关期刊130种,包括电子设计工程、现代电子技术、信息技术等;
相关会议3种,包括2013年中国计算机学会人工智能会议、第六届中国智能交通年会暨第七届国际节能与新能源汽车创新发展论坛、2016中国汽车工程学会年会 等;交通标志识别的相关文献由591位作者贡献,包括江治国、蔡自兴、李文举等。
交通标志识别—发文量
专利文献>
论文:339017篇
占比:99.94%
总计:339213篇
交通标志识别
-研究学者
- 江治国
- 蔡自兴
- 李文举
- 李翔
- 谷明琴
- 陈小林
- 刘占文
- 张干
- 樊星
- 沈超
- 赵祥模
- 邓天民
- W·尼姆
- 丁文敏
- 万幼川
- 于慧伶
- 仲会娟
- 何军
- 何凯华
- 余贵珍
- 佟雨欣
- 凌力
- 刘伶俐
- 刘卫东
- 刘砚菊
- 刘胜
- 卢大涨
- 吕瑾文
- 吕禾丰
- 吴方义
- 孙旭升
- 孟鑫
- 宋海玉
- 宋青松
- 屈治华
- 廖璐明
- 廖裕民
- 张伟
- 张军旗
- 张冬冬
- 张奇
- 张宇新
- 张斌
- 张林
- 徐江
- 曹嘉
- 曹建芳
- 朱敦尧
- 李俊华
- 李哲
-
-
李澔
-
-
摘要:
在汽车自动驾驶和智能交通系统中,交通标志的自动识别至关重要。本文基于深度学习提出一种快速识别交通标志的卷积神经网络,通过加入随机抽样算法防止过拟合现象和使用自适应矩估计算法优化模型改进LeNet-5算法,使得改进后的算法更适合于交通标志的识别,增强了对交通标志图像特征的提取,提升了模型识别精度和训练效率。采用比利时交通标志数据集对改进后的模型进行训练及测试,正确分类率达到91.14%,证明改进后的模型在对交通标志识别方面具有良好的稳定性和可靠性。
-
-
陈梦涛;
余粟
-
-
摘要:
为了解决目前高清街景图像中定位和分类交通标志任务时,出现的图像目标背景复杂,小目标不易识别等一系列问题,提出了一种基于YOLOV4模型改进的交通标志识别新算法.首先,在原骨干网络中嵌入新型注意力机制CA模块,形成一对方向感知和位置敏感的注意力图,使网络能够在更大区域内聚焦有效特征;其次,在颈部特征增强网络处添加适量的增强感受野RFB模块,进一步提升网络的特征融合能力.在TT100K交通标志数据集上进行实验发现,改进算法在IOU阈值为0.5时,相较于原算法的mAP指标提升了近4个百分点,每秒识别帧数达到了39FPS.因此,提出的CA-RFB-YOLOV4算法可以在增加少量计算参数的情况下,显著提升目标数据的识别精度,更好地满足了实际场景中交通标志识别的需求.
-
-
马露茜;
吴钦木
-
-
摘要:
针对深度学习算法中目标检测网络模型在复杂环境下识别交通标志的难点,对YOLOv3模型迁移学习算法的基本特点展开研究,构建并划分了复杂环境下中国交通标志数据集,并通过引入特征尺度的概念进一步改进YOLOv3算法,使数据集能够更好地处理各种复杂环境带来的影响。通过对比实验,证明改进后的YOLOv3算法对复杂环境下交通标志检测的效果明显优于标准YOLOv3算法及SSD算法,获得了更高的检测精度和更短的检测时间。
-
-
李达;
关志伟;
陈强;
赵若愚
-
-
摘要:
为了提高自然交通场景中交通标志的识别精度和检测识别率,提出了一种基于改进LeNet-5网络的交通标志识别算法。该方法对交通标志数据集进行图像尺寸归一化以及数据集增广预处理,增加数据集的多样性,提高了后续模型训练的准确率。对主体LeNet-5网络进行了改进,网络模型使用4层卷积、池化层连接2个全连接层,加深模型的深度;采用ReLU激活函数代替Sigmoid激活函数对卷积运算的结果进行转换,降低算法的计算复杂度;为改善训练神经网络过程中的过拟合现象,在模型中加入Dropout策略;通过实验分析确定算法中的相关参数并与改进前LeNet-5网络进行对比,验证改进算法的有效性。实验结果表明,本研究提出的算法在德国交通标志数据集(GTSRB)上获得99.42%的识别准确率。
-
-
张佳达;
许学斌;
路龙宾;
赵雨晴
-
-
摘要:
交通标志识别是无人驾驶系统和智能驾驶系统不可少的关键技术之一,为了提高交通标志的识别准确率,进一步提高无人驾驶汽车在行驶过程中的安全性,提出了一种基于深度残差网络的交通标志识别方法,利用不同尺寸的残差模块进行堆叠,构建了具有100层卷积层的网络模型。以比利时交通标志数据集BTSC作为实验数据,优化网络模型后得到的识别准确率达到99.3462%。实验证明,上述方法在比利时交通标志数据集BTSC上表现很好,识别准确率高于现有的交通标志识别主流方法。
-
-
王泽华;
宋卫虎;
吴建华
-
-
摘要:
针对在嵌入式车载交通标志识别系统对检测模型的大小以及实时性有着较高的要求,在基于原有YOLOv4的网络架构上,提出一种改进后的目标检测网络Mobilenetv2-YOLOv4-SAP。Mobilenetv2-YOLOv4-SAP通过使用轻量级卷积神经网络Mobilenev2对原YOLOv4网络的特征提取网络CSPDarknet53进行替换融合以及引入注意力机制SAP模块解决多通道池化层的信息冗余问题,从而在减少网络模型参数量和计算量的同时,保持较高的检测精度。通过实验表明,改进后的网络模型在Kaggle Road sign detection比赛数据集上的平均检测精度上达到了95.94%较原YOLOv4网络提升了0.34%,该网络模型的大小为48.97MB,仅为原YOLOv4模型大小的20%,且检测速率FPS达到了61帧/秒,相比于原YOLOv4网络模型提升了265%。
-
-
唐磊
-
-
摘要:
为了进一步提高交通标志识别的检测精度,文章提出了一种改进的YOLO深度学习网络。其采用双向特征融合网络,引入较少的参数来实现更多的特征融合,并基于中国交通标志数据集计算瞄点框。通过与基准网络进行对比,结果显示,深度学习网络的检测性能更优,从而验证了改进网络的有效性。
-
-
韩建鹏;
王春生;
巩梨
-
-
摘要:
在实际的道路交通场景中,交通标志图像一般会受到光照强度、雨雪天气、运动模糊以及被物体遮挡等环境因素影响,快速准确地识别交通标志具有一定难度。为了提高交通标志的识别准确率,在传统的卷积神经网络基础上,对采用的德国数据集进行预处理,将数据集进行灰度化和归一化处理,采用eLU激活函数解决卷积过程中出现的梯度消失问题,加入了Flatten层实现卷积层到全连接层的过渡,减少了参数的使用量,避免了过拟合现象,并加深了网络的层数。最后将测试的数据集输入训练好的网络中,在不同的学习率下测试训练模型的表现。结果表明:优化后的网络模型在德国交通标志数据集上的准确率为98.53%。和传统的卷积神经网络相比,该模型具有更高的识别率。
-
-
梁正友;
耿经邦;
孙宇
-
-
摘要:
针对模型在下采样过程中不断损失图像的高层次信息,从而导致特征提取不足的问题,本文对ResNet网络结构进行改进,提出基于多尺度特征与注意力机制的交通标志识别方法。首先,通过特征融合的方式将模型各个层次的多尺度特征进行融合,丰富特征语义信息,增强网络的特征提取能力。然后,通过注意力机制强化不同通道特征,提升特征整体的表达能力。结合这2种方法可提升模型的交通标志识别准确率。在GTSRB和BelgiumTS交通标志数据集上的实验结果表明,所提出方法的准确率分别达到99.31%和98.96%,优于前沿的交通标志识别算法。
-
-
张博
-
-
摘要:
道路交通标志在指导安全出行方面起了重要作用,随着智能交通的发展,交通标志识别越来越受到重视。不同光照、雾气下的复杂自然场景(如树林、建筑物)对交通标志识别干扰较大,为减少这些无关干扰因素所带来的识别率不高的问题,提出了一种语义分割网络与分类网络级联的交通标志识别方法。语义分割网络由UNet改进得到,利用了交通标志与背景颜色、形状特征的差异实现对交通图像感兴趣区域的准确提取;而分类网络则是借鉴LeNet5设计的网络结构,在交通标志感兴趣区域的基础上进行特征提取并分类。实验过程中选取三角形和圆形标志构建数据集,实验结果表明,文中方法与其他较好的交通标志分类方法如HOG-SVM、ResNet50相比,在识别时间较短的同时,其识别精度达到了98.96%。
-
-
-
Gu Mingqin;
谷明琴;
Cai Zixing;
蔡自兴
- 《2013年中国计算机学会人工智能会议》
| 2013年
-
摘要:
针对车辆行驶环境中难以检测的交通标志,提出了一种检测和识别方法.首先分割交通标志的特征颜色区域,并扩展感兴趣区域,提取区域边缘.然后用直线分割和杂点去除粗略划分边缘,根据直线间顶点处的曲率关系,计算转向角并分类顶点的类型,用无参数形状检测子来检测图像中的圆形、三角形和矩形等.将检测到的候选区域送入形状分类嚣中,分类形状并排除杂质的干扰,最后通过二元树复小波变换和二维独立分量分析相结合来识别交通标志类型.实验结果表明提出的方法对交通标志被遮挡、光照不均匀、颜色部分失真的情况下,检测率和识别率均较高,并且可以达到实时处理的效果.
-
-
-
-