论文部分内容阅读
传统的自动识别算法及机器学习方法不能有效地对交通标志进行自动化识别,而基于卷积神经网络的深度学习算法则需要大量的数据来训练一个完整的网络模型,存在一定的难点和弊端.因此,本文利用迁移学习策略,提出一种基于Inception-v3 的迁移模型,通过对模型结构调整、参数微调来重构Inception-v3 模型,实现交通标志的自动化识别.在数据准备阶段,以比利时交通标志为数据基准,首先对标志图像进行数据预处理;再者可视化迁移模型结构层的卷积操作及特征表征,逐层地分析标志的卷积特征表达.在模型评估阶段,以不同的初始学习率对迁移模型进行训练,并进行重复控制试验来验证迁移模型识别性能的可靠性.研究结果表明:迁移模型具出稳定的高识别精度,尤其以0.05 的初始学习率训练得到的模型识别性能最佳,能够取得高达99.18%的识别精度(其平均识别精度为99.09%).基于改进卷积神经网络交通标志的自动化识别取得了不错的成效,对于道路交通设施检测维护工作的自动化开展及汽车辅助驾驶等方面的应用研究有着重要的理论及现实意义.