資源描述：
《基于改進的CNN交通標志識別研究》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術論文-天天文庫。
1、分類號:U4610710-2015222061專業(yè)碩士學位論文基于改進的CNN交通標志識別研究李娟娟導師姓名職稱王建鋒副教授申請學位類別碩士專業(yè)學位類別工程碩士及領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日學位授予單位長安大學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。交通標志識別是高級駕駛員輔助系統(tǒng)的核心技術之一，高準確率和實時性好的交通標志識別可以及時地根據(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，交通標志識別也是近年來無人駕駛車輛研究和發(fā)展的關鍵技術之一，故交通標志識別研究是一項具有重要研究價值和實際意義的課題。本文在對交通標志檢測識別方法的國內(nèi)外研究現(xiàn)狀進行了詳細總結和分析后，確定基于卷積神經(jīng)網(wǎng)絡的識別方法在近年來取得了很好的
3、準確率；對德國交通標志識別庫數(shù)據(jù)集中的圖片進行了一系列的預處理操作，包括圖像裁剪去除冗余背景、用限制對比度的直方圖均衡化方法進行圖像增強和圖像尺寸歸一化，最終獲得了高質量的數(shù)據(jù)集圖像；在對卷積神經(jīng)網(wǎng)絡的網(wǎng)絡特點、層級結構和超參數(shù)等進行了詳細的分析后，介紹了已經(jīng)在圖像識別領域取得了很好效果的經(jīng)典卷積神經(jīng)網(wǎng)絡模型，最終在其基礎上提出了本文用于交通標志識別的改進卷積神經(jīng)網(wǎng)絡模型，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，并且也在實際測試中驗證了改進方案的有效性；通過實驗對比和分析，確定了網(wǎng)絡模型的最優(yōu)超參數(shù)，完成了本文所提出的新的改進卷積神經(jīng)
4、網(wǎng)絡模型的預設參數(shù)優(yōu)化，最終確定的用于交通標志識別的改進卷積神經(jīng)網(wǎng)絡模型在德國交通標志識別庫上進行測試獲得了99.17%的識別正確率，并且平均每幅圖像用時僅7毫秒，滿足了對準確度和實時性的要求。關鍵詞：交通標志識別，卷積神經(jīng)網(wǎng)絡，圖像預處理，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
