基于卷积神经网络交通标志识别方法研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 交通标志检测算法研究现状 | 第9-13页 |
| 1.2.1 基于传统方法的交通标志检测算法 | 第10-12页 |
| 1.2.2 基于深度学习的交通标志检测算法 | 第12-13页 |
| 1.3 交通标志检测难点 | 第13-16页 |
| 1.4 研究内容及章节安排 | 第16-17页 |
| 2 交通标志图像检测方法 | 第17-30页 |
| 2.1 基于侯选区域检测方法 | 第17-21页 |
| 2.1.1 R-CNN | 第17-18页 |
| 2.1.2 SPP-NET | 第18-20页 |
| 2.1.3 Fast R-CNN | 第20-21页 |
| 2.2 基于回归检测方法 | 第21-27页 |
| 2.2.1 SSD | 第22-24页 |
| 2.2.2 YOLO系列算法 | 第24-27页 |
| 2.3 评价指标 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 基于改进YOLOv2的交通标志检测算法 | 第30-43页 |
| 3.1 数据集的建立 | 第30-33页 |
| 3.1.1 交通标志数据集 | 第30-32页 |
| 3.1.2 数据集的标注 | 第32-33页 |
| 3.2 交通标志图像的预处理 | 第33-35页 |
| 3.2.1 区域裁剪 | 第33页 |
| 3.2.2 BM3D算法去噪 | 第33-34页 |
| 3.2.3 图像尺寸归一化 | 第34-35页 |
| 3.2.4 彩色图像的直方图均衡化 | 第35页 |
| 3.3 YOLOv2算法 | 第35-38页 |
| 3.3.1 anchor和 IOU回归 | 第35-37页 |
| 3.3.2 网络结构 | 第37-38页 |
| 3.4 基于改进YOLOv2的交通标志检测算法 | 第38-40页 |
| 3.4.1 改进的YOLOv2网络模型 | 第38-39页 |
| 3.4.2 损失函数的优化 | 第39-40页 |
| 3.5 改进YOLOv2的实验分析 | 第40-42页 |
| 3.5.1 模型训练分析 | 第40-41页 |
| 3.5.2 不同尺寸对比分析 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 4 交通标志检测实现 | 第43-57页 |
| 4.1 实验环境搭建 | 第43-44页 |
| 4.1.1 硬件平台 | 第43-44页 |
| 4.1.2 软件平台 | 第44页 |
| 4.2 预处理实验分析 | 第44-48页 |
| 4.2.1 实验结果 | 第44-47页 |
| 4.2.2 预处理对比分析 | 第47-48页 |
| 4.3 交通标志检测系统设计 | 第48-49页 |
| 4.4 实验结果分析 | 第49-55页 |
| 4.4.1 中国交通标志的检测结果分析 | 第49-53页 |
| 4.4.2 德国交通标志的检测结果分析 | 第53-54页 |
| 4.4.3 离线视频的检测结果分析 | 第54-55页 |
| 4.5 本章小结 | 第55-57页 |
| 5 结论与展望 | 第57-58页 |
| 5.1 结论 | 第57页 |
| 5.2 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 | 第63页 |
