基于CNN的交通標(biāo)志識(shí)別方法研究.pdf

1、交通標(biāo)志被廣泛應(yīng)用于道路交通中，由于受到許多不可控制因素如天氣光照變化、物理遮擋、運(yùn)動(dòng)模糊等的影響，交通標(biāo)志的準(zhǔn)確檢測(cè)和快速識(shí)別對(duì)研究者來(lái)說(shuō)是一個(gè)重大的挑戰(zhàn)。針對(duì)已有交通標(biāo)志檢測(cè)算法中存在誤檢較多的問(wèn)題，本文提出一種結(jié)合布爾卷積神經(jīng)網(wǎng)絡(luò)的梯度方向直方圖(HOG-BCNN，Histograms of Oriented Gradients-Boolean Convolutional Neural Network)與級(jí)聯(lián)分類器的交通標(biāo)志檢測(cè)方

2、法。該方法首先訓(xùn)練基于HOG特征的級(jí)聯(lián)分類器，在含交通標(biāo)志的道路場(chǎng)景圖像提取潛在的候選區(qū)域，這些候選區(qū)域?qū)⒆鳛榻ㄗh窗口輸入到一個(gè)特殊的CNN，它就像一個(gè)布爾邏輯器用以判斷窗口是否為交通標(biāo)志。布爾卷積神經(jīng)網(wǎng)絡(luò)模型作為級(jí)聯(lián)分類器的最后一級(jí)對(duì)誤檢區(qū)域進(jìn)行過(guò)濾，從而排除誤檢提高檢測(cè)率。針對(duì)交通標(biāo)志識(shí)別中網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜識(shí)別效率低的問(wèn)題，本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)的快速交通標(biāo)識(shí)牌識(shí)別的方法(FTSR-CNN:Fast Traffic Sign Rec

3、ognition Based on Convolution Neural Network)。該方法利用卷積核滑動(dòng)濾波提取特征，通過(guò)池化技術(shù)降維，前向?qū)W習(xí)過(guò)程中求得網(wǎng)絡(luò)的損失，反向傳播中利用隨機(jī)梯度下降法極小化損失，通過(guò)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)中的參數(shù)和激活函數(shù)類型來(lái)優(yōu)化網(wǎng)絡(luò)性能。
　　實(shí)驗(yàn)結(jié)果表明，在交通標(biāo)志的檢測(cè)和識(shí)別方面，本文提出的方法能夠?qū)崿F(xiàn)較高的檢測(cè)率和分類精度，同時(shí)保證檢測(cè)和識(shí)別效率。最后，本文通過(guò)結(jié)合交通標(biāo)志檢測(cè)與識(shí)別的方法構(gòu)建了