資源描述：
《基于改進(jìn)的CNN交通標(biāo)志識(shí)別研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、分類號(hào):U4610710-2015222061專業(yè)碩士學(xué)位論文基于改進(jìn)的CNN交通標(biāo)志識(shí)別研究李娟娟導(dǎo)師姓名職稱王建鋒副教授申請(qǐng)學(xué)位類別碩士專業(yè)學(xué)位類別工程碩士及領(lǐng)域名稱車輛工程論文提交日期2018年4月17日論文答辯日期2018年6月3日學(xué)位授予單位長(zhǎng)安大學(xué)TheResearchofTrafficSignRecognitionBasedonModifiedConvolutionalNeuralNetworkAThesisSubmittedfortheDegreeofMasterCandidate：LiJuanjuanSupervisor：Prof.WangJi
2、anfengChang’anUniversity,Xi’an,China摘要隨著汽車保有量和駕駛員人數(shù)的大量增加，交通事故的數(shù)量也一直居高不下。交通標(biāo)志識(shí)別是高級(jí)駕駛員輔助系統(tǒng)的核心技術(shù)之一，高準(zhǔn)確率和實(shí)時(shí)性好的交通標(biāo)志識(shí)別可以及時(shí)地根據(jù)車輛路面環(huán)境給駕駛員以反饋，輔助駕駛員的行車決策，從而減少或盡量避免交通事故的發(fā)生；另一方面，交通標(biāo)志識(shí)別也是近年來(lái)無(wú)人駕駛車輛研究和發(fā)展的關(guān)鍵技術(shù)之一，故交通標(biāo)志識(shí)別研究是一項(xiàng)具有重要研究?jī)r(jià)值和實(shí)際意義的課題。本文在對(duì)交通標(biāo)志檢測(cè)識(shí)別方法的國(guó)內(nèi)外研究現(xiàn)狀進(jìn)行了詳細(xì)總結(jié)和分析后，確定基于卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別方法在近年來(lái)取得了很好的
3、準(zhǔn)確率；對(duì)德國(guó)交通標(biāo)志識(shí)別庫(kù)數(shù)據(jù)集中的圖片進(jìn)行了一系列的預(yù)處理操作，包括圖像裁剪去除冗余背景、用限制對(duì)比度的直方圖均衡化方法進(jìn)行圖像增強(qiáng)和圖像尺寸歸一化，最終獲得了高質(zhì)量的數(shù)據(jù)集圖像；在對(duì)卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)特點(diǎn)、層級(jí)結(jié)構(gòu)和超參數(shù)等進(jìn)行了詳細(xì)的分析后，介紹了已經(jīng)在圖像識(shí)別領(lǐng)域取得了很好效果的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型，最終在其基礎(chǔ)上提出了本文用于交通標(biāo)志識(shí)別的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型，該模型在數(shù)據(jù)歸一化方式、Dropout層和卷積層通道數(shù)上均做了改進(jìn)，并且也在實(shí)際測(cè)試中驗(yàn)證了改進(jìn)方案的有效性；通過(guò)實(shí)驗(yàn)對(duì)比和分析，確定了網(wǎng)絡(luò)模型的最優(yōu)超參數(shù)，完成了本文所提出的新的改進(jìn)卷積神經(jīng)
4、網(wǎng)絡(luò)模型的預(yù)設(shè)參數(shù)優(yōu)化，最終確定的用于交通標(biāo)志識(shí)別的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型在德國(guó)交通標(biāo)志識(shí)別庫(kù)上進(jìn)行測(cè)試獲得了99.17%的識(shí)別正確率，并且平均每幅圖像用時(shí)僅7毫秒，滿足了對(duì)準(zhǔn)確度和實(shí)時(shí)性的要求。關(guān)鍵詞：交通標(biāo)志識(shí)別，卷積神經(jīng)網(wǎng)絡(luò)，圖像預(yù)處理，參數(shù)優(yōu)化IAbstractWiththeincreaseincarownershipanddrivernumbers,thenumberoftrafficaccidentshasalsoremainedhigh.Trafficsignrecognitionisoneofthecoretechnologiesofadvance
5、ddriverassistancesystems.High-accuracyandreal-timetrafficsignrecognitioncanpromptlygivefeedbacktothedriveraccordingtothevehicle'sroadenvironmentandassistdriversindrivingdecisions,whichreducesevenavoidstrafficaccidents.Ontheotherhand,trafficsignrecognitionisalsooneofthekeytechnologies
6、fortheresearchanddevelopmentofdriverlessvehiclesinrecentyears.Therefore,thestudyoftrafficsignrecognitionisatopicthathasimportantresearchvalueandpracticalsignificance.Thearticlegivesadetailedsummaryandanalysisofthedetectionandidentificationmethodsoftrafficsignsathomeandabroad.Itconclu
7、desthatrecognitionmethodbasedonconvolutionalneuralnetworkhasachievedgoodaccuracyinrecentyears.Aseriesofpre-processingoperationsonpicturesofGermantrafficsignrecognitiondatabase,includingimagecroppingtoremoveredundantbackgrounds,imageenhancementandimagesizenormalizationwithcontrast-con
8、strainedhist
