论文部分内容阅读
道路交通标志作为道路交通信息的重要表示方式,包含了车道限速提示、车道方向指示器、车道警示提示等道路交通信息,已成为无人驾驶技术不可缺少的组成部分之一。围绕这个问题的研究长期以来都很受欢迎。本文把传统的机器学习以及图像处理技术与深度学习模型相结合,具体工作详情如下:1)对数据集进行预处理操作。在进行深度学习模型的训练时,训练数据集是否具有完备性对后续深度学习网络模型成型有着重要的影响,通过减少道路交通标识数据集图像的噪声以及复杂背景等因素的影响,来得到一个比较完备的数据集,以供后续深度学习模型学习。模糊聚类算法通过引入模糊理论,缓解了原本聚类算法中过于严格的界限划分,而PCM算法在经典的FCM算法基础上降低了对隶属度的要求,从而降低了噪声对算法的影响。在基于核的PCM算法基础上,通过添加类间惩罚项,拉大类间中心距离,降低边界处的模糊数据分类问题,使得图像分割更精确。同时对数据集中数据量较少的类别进行旋转数据增强操作、多色彩空间图像增强操作以及归一化数据集图像大小操作得到一个完备的数据集。通过实验证明,经预处理操作后的数据集与未经处理的原始数据集相比较,在相同的深度学习网络模型上有着较优的识别准确率。2)提出了一种新的网络模型MRESE模型。在深度学习网络模型中,加深网络模型的深度是一种提高识别率的方法,随着计算机性能的增加,网络模型的深度也越来越深,消耗的训练时间也逐渐增加。针对深度学习模型训练耗时问题,MRESE模型结合了Residual Neural Network(ResNet)网络模型结构,一定程度上解决梯度消失或者爆炸问题,同时引入Momenta的团队WMW提出的Squeeze-and-Excitation(SENet)网络模型结构,从特征通道之间的相互关系着手,提升有用特征的学习,在降低网络模型深度从而减少训练所需时间的基础上,保证了网络模型具有较高的准确率。通过在两个不同的数据库,比利时交通标识数据库(BelgiumTSC)小型数据库与德国交通标识标准数据库(GTSRB)大型数据库进行实验,验证了本文提出的网络模型的有效性。