论文部分内容阅读
交通标志识别作为智能驾驶系统的重要组成部分,是图像处理、模式识别、机器视觉等多学科交叉研究的典型应用,也是智能驾驶系统研究领域中尚未解决的难题之一,是难度较大的实景图形识别。因此,近年来,如何高效地对交通标志进行识别已成为学术研究和工业应用的热点课题。本文首先整理介绍了国内外交通标志识别算法的发展现状及理论研究成果,如基于统计分类的最近邻域法、相似系数法、聚类分析法、决策树和匹配投影法,基于像素级或特征级的模板匹配法,句法分类和集成分类法等多种识别算法,详细介绍了机器学习中深度神经网络(DNN)算法,并对其进行仔细研究,将其应用到交通标志识别上。本文主要开展工作如下:(1)基于DNN技术的交通标志识别。研究确定交通标志识别采用的预处理方式及最佳DNN结构。在同一样本数据集上进行了六种不同的预处理,分别组成不同的预处理训练集,同时,对深度神经网络的结构进行研究,在卷积核大小、子采样窗口大小、批量样本数、特征图数目几个方面进行实验调整,确定了每个训练样本集上的最佳DNN结构,并分析网络结构与不同预处理方式之间的对应关系。(2)基于多列深度神经网络(MCDNN)的交通标志识别及优化策略研究。构造多列深度神经网络,研究对输入图像进行不同的预处理,选择对每类预处理后的训练集识别效果最佳的多列DNN结构,组成一个MCDNN,并将模糊数学的思想应用到各列DNN输出的综合评判上。对各列的输出分别采用综合隶属度判决和离散隶属度判决两种方式,根据最大隶属度原则对输入图像进行最终分类,并与单列的DNN识别结果进行比较。实验表明,深度神经网络不必经过繁琐的调整与修改,就能够很好的应用于交通标志识别,并取得较好的实验效果。当预处理方式存在差异时,其最佳网络结构各不相同,体现了网络结构与预处理结果之间存在着联系。并且在采用集成更多种预处理方法的训练集上,识别效果并不理想。同时对同一样本数据集采用不同的预处理方式,在其上构建多列深度神经网络,并对多列的输出结果进行模糊判决,取得了优于单列DNN的识别效果。