基于深度卷积神经网络的交通标志识别

《基于深度卷积神经网络的交通标志识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号ＴＰ３９１密级公开学号１４２３０５■■■Ｍｉｎａ国■、节画面？ａｓ＊硕ｉｔ学位论文（专业学位）题目基于深度卷积神经网络的交通标志识别作者堂ｉｔ指导教师马苗教授专业学位类别工程硕壬．专业学位领站计算机技术提交日期二〇—六年五月学位论文原创性声明本人声明所呈交的学位论文是我在导师的指导下进行研巧工作所取得的研巧成果，尽我所知，除文中已经注明引用的内容和致谢的地方外，本论文不包含其他个人或集体已经发表或撰写过的研巧成果，

2、也不包含本人或他人己申请学位巧其他用途使用过的成果。对本文的研巧做出重要贡献的个人和集体，均已在文中作了明确说明并表示谢意。本学位论文若有不实或者巧犯他人权串一切相关的法律责Ｊ的，本人化意承担任。作者签名：份作曰巧：办／名年／月（？曰学位论文知识产权及使用授权声明书本人在导师指导下所完成的学位论文及相关成果，知识产权归房陕西师范大学？本人完全了解陕西师范大学有关保存、使用学位论文的规定，允许本论文被査阁巧借阅，学校有权保留学位论文并向国家有关巧口或机构送交论文的纸巧版巧

3、电子販，有巧将本论文的全巧或巧分内容编入有关致据库进行检巧，可Ｗ采用任何复制手段保存和汇编本论文？本人保证毕业巧发表本论文或飾本论文成果时署名单位仍为陕西师范大学，保密论文解密后适用本声明，作者签名：曰期：如年＾月（曰三摘要道路交通标志识别是智能交通系统与先进辅助驾驶系统的重要组成部分，是一计算机视觉和模式识别领域的国内外研究热点之。本文将采集于自然场景下的德国交通标志图像数据集ＧＴＳＲＢ作为研巧对象，通过对卷积神经网络、支持向量机和ＧＴＳＲＢ数据集图像特点进行研究，探索道路

4、交通标志分类识别新方法。本文主要创新性工作包括：（１对深度学习方法中的巧式自动编码器、受限玻尔兹曼机、深度置信网络和）ｅＮｅ－卷积神经网络进行对比研究；重点分析卷积神经网络中的Ｌｔ５模型，该模型能够较好的提取图像多尺度特征，该分类器通过构造；论述支持向量机的工作原理最优分类超平面来达到全局最优，具有良好的分类效果且应用广泛。ＴＳＲＢ一口数据集中的交通标志国像，提出种简单有效的图像预处理方）针对Ｇ、法。该方法先对原始图像进行裁剪，进而减少背景信息的干扰；再通过灰度化一图像增强Ｗ及尺

5、寸归化等图像处理方法，使图像目标区域更加清晰，图像特征更加明显。实验结果表明，所提出的预处理方法能够提高图像质量，便于后续的图像识别。一３Ｌｔ－５将卷积神经网络与支持向量机相结合，提出种基于二级改进ｅＮｅ模（）ｅＮｅ－型的交通标志识别算法。该算法首先根据识别系统的实时性要求，对原始Ｌｔ５模型结构进行改进；然后根据民０１增强预处理方法对原始图像进巧预处理；接下一一－来，利用数据集ＧＴＳＲＢ训练出个二级改进ＬｅＮｅｔ５模型，其中第级改进ＬｅＮｅ－二－ｔ５模型将感兴趣区域中包含的交通标志粗

6、分为６类，第级改进ＬｅＮｅｔ５模。型对粗分类结果进巧细分类，识别出交通标志所属的最终类别实验结果表明，基于二级改进ＬｅＮｅ－５ｔ模型交通标志识别巧法因网络模型能够提取交通标志的多尺度持征．７。，识别正确率可达９１６％：深度学习关键词，卷积神经网络，交通标志，模式识别，支持向量机ＩＡｂｒｔｒａｃｒｔＴｒａｆｉｃｓｉｇｎｒｅｃｏｇｎｉｔｉｏｎｉｓｏｎｅｏｆｔｈｅｍｏ巧ｉｍｐｏｒｔａ打ｔａｒｔｓｉｎａｄｖａｎｃｅｄｉｎｔｅｌｌｉｅｎｔｐｇｔｒａｎｓｏｒｔａｔｉｏ

7、ｎｓｙｓｔｅｍａｎｄａｕｘＵｉａｒｙｄｒｉｖｉ打ｓｙｓｔｅｍｗｈｉｃｈｉｓａｈｏｔｒｅｓｅａｒｃｈｔｏｉｃａｔｐｇ，ｐｈｏｍｅａｎｄａｂｒｏａｄｉｎｃｏｍｐｕｔｅｒｖｉｓｉｏｎａｎｄａｔｔｅｒｒｅｃｏｇｎｉｔｉｏｎ．ＲｅｇａｒｄｉｎｇｔｈｅＧｅｒｍａｎｐｔｒａｆｉｃｓｉｇｎｉｍａｇｅＧＴＳＲＢｄａｔａｓｅｔａｓｔｈｅＫｓｅａｒｃｈｏｂｊｅｃｔ，ｔｈｉｓｄｉｓｓｅｒｔａｔｉｏｎｃｏｎｃｅｎｔｒａｔｅｏｎ打ｅｗｒｅｃｏｎｉｔｉｏｎｍ

8、ｅｔｈｏｄｓｆｏｒｔｒａｆｉｃｓｉｎｓｗｈｉｃｈｃｏｍｂｉｎｅｓ化ｅｃｏｎｖｏｌｕｔｉｏｎａｌ打ｅｕｒａｌｇｇ，ｎｅｔｗｏｒｋ（ＣＮＮ）ｗｉｔｈｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＳＶＭ）．；Ｔｈｅｉｎｎｏｖａｔｉｖｅｗｏｒｋｍａｉｎｌｙｉｎｃｌｕｄｅｓ：ｙ）ＳＡＥ、民ＢＭ、ＤＢＮａｎｄＣＮＮｉｎｄｅｅｐｌｅａｒｎｉｎｇ