基于特征融合與深度卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)識(shí)識(shí)別.pdf

1、汽車在人們生活中扮演著越來越重要的角色，安全暢通的駕駛環(huán)境是交通系統(tǒng)的理想狀態(tài)。交通標(biāo)識(shí)識(shí)別是智能交通系統(tǒng)的重要組成部分，它主要包括交通標(biāo)識(shí)的目標(biāo)定位和目標(biāo)識(shí)別兩部分。以交通標(biāo)識(shí)為研究對(duì)象，提出了基于特征融合和深度卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)識(shí)識(shí)別方法。
　　首先介紹了國內(nèi)外交通標(biāo)識(shí)識(shí)別的研究現(xiàn)狀，對(duì)比了過去研究中目標(biāo)定位與目標(biāo)識(shí)別方法的優(yōu)劣，提出了基于特征融合的目標(biāo)定位方法和基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別方法。
　　在目標(biāo)定位問題

2、上，通過提取HOG特征和LBP特征，串行融合后使用支持向量機(jī)作為分類器。實(shí)驗(yàn)證明該方法可以對(duì)含交通標(biāo)識(shí)的圖片進(jìn)行有效定位，并能夠排除不含交通標(biāo)識(shí)的圖片干擾。
　　深度卷積神經(jīng)網(wǎng)絡(luò)是近年來提出的區(qū)別于淺層神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法模型，因其優(yōu)秀的學(xué)習(xí)能力和應(yīng)用效果受到廣泛重視。介紹了自動(dòng)編碼機(jī)、稀疏編碼、受限玻爾茲曼機(jī)、深度信念網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)等原理和訓(xùn)練方法，重點(diǎn)介紹了ALexNet和GoogleNet等深度卷積神經(jīng)網(wǎng)絡(luò)模型。

3、>　　根據(jù)研究對(duì)象和應(yīng)用場(chǎng)景，提出了針對(duì)交通標(biāo)識(shí)識(shí)別的深度卷積神經(jīng)網(wǎng)絡(luò)模型TSR9L-Net，并建立了相應(yīng)的訓(xùn)練圖像數(shù)據(jù)庫。通過平衡識(shí)別率和識(shí)別速度，提出一個(gè)含9層的輕量級(jí)參數(shù)數(shù)量模型，其中權(quán)重層為6層。分別對(duì)含7類警告標(biāo)識(shí)和15類禁令標(biāo)識(shí)的樣本訓(xùn)練集進(jìn)行訓(xùn)練，同時(shí)對(duì)比LeNet-5、AlexNet和TSR9L-Net三種模型的訓(xùn)練效果。其中TSR9L-Net能夠在保證準(zhǔn)確率的前提下，提升識(shí)別速度。GPU硬件平臺(tái)下，7類標(biāo)識(shí)每批40張識(shí)