基于深度學(xué)習(xí)的交通信號燈檢測與識別方法研究
發(fā)布時間：2020-12-09 13:24
交通信號燈是保障交通道路安全的重要設(shè)施之一,能夠有效指導(dǎo)車輛正確通行。檢測與識別技術(shù)能夠輔助駕駛者正確判讀交通信號燈,減少交通事故發(fā)生,并為無人駕駛提供安全保障。傳統(tǒng)圖像處理方法對圖像質(zhì)量要求較高,機(jī)器學(xué)習(xí)方法需要人工提取特征,而目前深度學(xué)習(xí)目標(biāo)檢測算法計算量龐大難以保障實時性。針對上述方法的不足,本文提出一種基于深度學(xué)習(xí)的交通信號燈檢測與識別方法,先采用圖像處理方法檢測交通信號燈的候選區(qū)域,再利用深度學(xué)習(xí)算法對候選區(qū)域進(jìn)行目標(biāo)識別。首先對原始圖像進(jìn)行預(yù)處理,設(shè)置ROI區(qū)域減少數(shù)據(jù)處理范圍,并使用形態(tài)學(xué)去除圖像中部分背景信息,減少冗余信息。為提高顏色分割精度,本文先在RGB空間下進(jìn)行初步顏色分割,排除部分顏色區(qū)域,然后在HSV空間中對非零像素進(jìn)行二次分割。在進(jìn)行識別交通信號燈類型時,本文采用了深度學(xué)習(xí)中常用的卷積神經(jīng)網(wǎng)絡(luò),通過設(shè)計合理的卷積神經(jīng)網(wǎng)絡(luò)模型,能夠有效提高算法識別精度和實時性。最后,分別在Bosch交通信號燈數(shù)據(jù)集和Lara交通信號燈數(shù)據(jù)集下對本文方法性能進(jìn)行驗證。實驗結(jié)果表明:本文方法的識別精確率和召回率都較高,能夠滿足實時性要求,對于交通信號燈檢測與識別具有重要的應(yīng)用價值...
【文章來源】：長春理工大學(xué)吉林省
【文章頁數(shù)】：64 頁
【學(xué)位級別】：碩士
【部分圖文】：
Google無人駕駛汽車
是一種抽象的數(shù)學(xué)模型，將色分量（如 RGB）。顏色空間可表示成一對應(yīng)于一種顏色。顏色空間是用戶理解相機(jī)可以看到的東西，顯示器可以顯示最為熟悉的顏色模型，它的三基色分別其他顏色。圖像中每個像素的 RGB 分量論上可以達(dá)到 16777216 種顏色。圖 2.1
圖 2.2 LAB 顏色空間色空間。HSV 色彩空間與人類感知色彩：色調(diào)、飽和度和值。在 1978 年 Alvy 錐體顏色模型[20]。圖 2.3 顯示了一個六六角形，每個橫截面的頂點是紅色、黃中的顏色通過指定色調(diào)角度、色度級別和度逆時針方向增加，互補(bǔ)顏色的色相距
【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的小面積指紋匹配方法[J]. 張永良,周冰,詹小四,裘曉光,盧天培. 計算機(jī)應(yīng)用. 2017(11)
[2]深度學(xué)習(xí)框架和加速技術(shù)探討[J]. 余偉豪,李忠,安建琴,宋奕瑤. 軟件. 2017(06)
[3]谷歌TensorFlow機(jī)器學(xué)習(xí)框架及應(yīng)用[J]. 章敏敏,徐和平,王曉潔,周夢昀,洪淑月. 微型機(jī)與應(yīng)用. 2017(10)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的連續(xù)語音識別[J]. 張晴晴,劉勇,潘接林,顏永紅. 工程科學(xué)學(xué)報. 2015(09)
[5]基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的孤立詞語音識別的研究[J]. 王山海,景新幸,楊海燕. 計算機(jī)應(yīng)用研究. 2015(08)
[6]深度學(xué)習(xí)研究綜述[J]. 尹寶才,王文通,王立春. 北京工業(yè)大學(xué)學(xué)報. 2015(01)
[7]一種簡潔高效的加速卷積神經(jīng)網(wǎng)絡(luò)的方法[J]. 劉進(jìn)鋒. 科學(xué)技術(shù)與工程. 2014(33)
[8]一種面向多源領(lǐng)域的實例遷移學(xué)習(xí)[J]. 張倩,李明,王雪松,程玉虎,朱美強(qiáng). 自動化學(xué)報. 2014(06)
[9]基于圖像處理的交通信號燈識別方法[J]. 武瑩,張小寧,何斌. 交通信息與安全. 2011(03)
[10]BP神經(jīng)網(wǎng)絡(luò)輸入層數(shù)據(jù)歸一化研究[J]. 柳小桐. 機(jī)械工程與自動化. 2010(03)
博士論文
[1]不均衡數(shù)據(jù)分類方法的研究[D]. 曹鵬.東北大學(xué) 2014
[2]復(fù)雜環(huán)境中交通標(biāo)識識別與狀態(tài)跟蹤估計算法研究[D]. 谷明琴.中南大學(xué) 2013
碩士論文
[1]基于改進(jìn)隨機(jī)梯度下降算法的SVM[D]. 金釗.河北大學(xué) 2017
[2]遷移學(xué)習(xí)在圖像分類中的應(yīng)用研究[D]. 吳國琴.安徽大學(xué) 2017
[3]基于機(jī)器學(xué)習(xí)的多維數(shù)據(jù)壓縮算法研究[D]. 唐欣.上海交通大學(xué) 2015
[4]局部特征描述子算法研究[D]. 施鵬.上海交通大學(xué) 2008
本文編號：2906929
【文章來源】：長春理工大學(xué)吉林省
【文章頁數(shù)】：64 頁
【學(xué)位級別】：碩士
【部分圖文】：
Google無人駕駛汽車
是一種抽象的數(shù)學(xué)模型，將色分量（如 RGB）。顏色空間可表示成一對應(yīng)于一種顏色。顏色空間是用戶理解相機(jī)可以看到的東西，顯示器可以顯示最為熟悉的顏色模型，它的三基色分別其他顏色。圖像中每個像素的 RGB 分量論上可以達(dá)到 16777216 種顏色。圖 2.1
圖 2.2 LAB 顏色空間色空間。HSV 色彩空間與人類感知色彩：色調(diào)、飽和度和值。在 1978 年 Alvy 錐體顏色模型[20]。圖 2.3 顯示了一個六六角形，每個橫截面的頂點是紅色、黃中的顏色通過指定色調(diào)角度、色度級別和度逆時針方向增加，互補(bǔ)顏色的色相距
【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的小面積指紋匹配方法[J]. 張永良,周冰,詹小四,裘曉光,盧天培. 計算機(jī)應(yīng)用. 2017(11)
[2]深度學(xué)習(xí)框架和加速技術(shù)探討[J]. 余偉豪,李忠,安建琴,宋奕瑤. 軟件. 2017(06)
[3]谷歌TensorFlow機(jī)器學(xué)習(xí)框架及應(yīng)用[J]. 章敏敏,徐和平,王曉潔,周夢昀,洪淑月. 微型機(jī)與應(yīng)用. 2017(10)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的連續(xù)語音識別[J]. 張晴晴,劉勇,潘接林,顏永紅. 工程科學(xué)學(xué)報. 2015(09)
[5]基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的孤立詞語音識別的研究[J]. 王山海,景新幸,楊海燕. 計算機(jī)應(yīng)用研究. 2015(08)
[6]深度學(xué)習(xí)研究綜述[J]. 尹寶才,王文通,王立春. 北京工業(yè)大學(xué)學(xué)報. 2015(01)
[7]一種簡潔高效的加速卷積神經(jīng)網(wǎng)絡(luò)的方法[J]. 劉進(jìn)鋒. 科學(xué)技術(shù)與工程. 2014(33)
[8]一種面向多源領(lǐng)域的實例遷移學(xué)習(xí)[J]. 張倩,李明,王雪松,程玉虎,朱美強(qiáng). 自動化學(xué)報. 2014(06)
[9]基于圖像處理的交通信號燈識別方法[J]. 武瑩,張小寧,何斌. 交通信息與安全. 2011(03)
[10]BP神經(jīng)網(wǎng)絡(luò)輸入層數(shù)據(jù)歸一化研究[J]. 柳小桐. 機(jī)械工程與自動化. 2010(03)
博士論文
[1]不均衡數(shù)據(jù)分類方法的研究[D]. 曹鵬.東北大學(xué) 2014
[2]復(fù)雜環(huán)境中交通標(biāo)識識別與狀態(tài)跟蹤估計算法研究[D]. 谷明琴.中南大學(xué) 2013
碩士論文
[1]基于改進(jìn)隨機(jī)梯度下降算法的SVM[D]. 金釗.河北大學(xué) 2017
[2]遷移學(xué)習(xí)在圖像分類中的應(yīng)用研究[D]. 吳國琴.安徽大學(xué) 2017
[3]基于機(jī)器學(xué)習(xí)的多維數(shù)據(jù)壓縮算法研究[D]. 唐欣.上海交通大學(xué) 2015
[4]局部特征描述子算法研究[D]. 施鵬.上海交通大學(xué) 2008
本文編號：2906929
本文鏈接：http://www.wukwdryxk.cn/kejilunwen/jiaotonggongchenglunwen/2906929.html
最近更新
教材專著
