论文部分内容阅读
伴随着我国现代化建设的快速发展,交通基础设施建设已经取得了不少喜人的成绩,但是交通安全问题依旧比较严峻,据可靠估计,这些年来,我国每年因为交通安全问题带来的经济损失就高达数十亿元,同时还带来了大量人员伤亡的悲剧,这些悲剧对于受害者以及其家庭来说,无论是心理伤害还是生理伤害都将带来非常重要的影响,这些都将直接或者间接的影响国家的未来规划发展以及人民的生产生活[1],由此可见发展智能交通系统规范交通安全,同时指导驾驶人员安全驾驶是一个亟需解决的问题,虽然已经诞生了许多智能的标志识别系统,但是可准确识别交通标识的能力依旧有限,为此,如何提升交通标志的识别能力是一项重要课题。深度学习作为机器视觉的一种要种组成部分,尤其是在图像处理方面始终扮演者一个重要角色,其中的卷积神经网络（Convolutional Neural Network,CNN）—直扮演者一个非常重要的角色,目前在许多领域已经取得了不俗的成绩,在图像处理与目标检测识别任务中更是战绩骄人,因此本文将它应用到交通标志识别任务中,并对卷积神经网络做一些改进优化,使其更加适应交通标志的识别,实验证明本文的OVGG（本文为其命名为Optimized VGG,简称OVGG）模型在交通标志识别任务中有着更出色的表现。本文的主要工作内容如下:（1）利用卷积神经网络实现交通标志的识别。针对传统的特征提取方法存在着诸多的缺陷,比如提取的信息并不全面、人工干预过多造成特征受损或者增加了计算的复杂度,最重要的一点是传统的特征提取方法耗时比较大,满足不了交通标志识别的实时性需求,针对此问题,本文提出一种优化的VGG模型进行道路交通标志的识别。实验表明,相比于传统的交通标志识别方法,本文提出的基于改进的卷积神经网络VGG模型的交通标志识别具有更高的识别率以及更低的耗时。（2）主流的卷积神经网络VGG模型比如VGG16,虽然具有很好的识别效果,但是本身也存在一些缺点,比如模型计算复杂度大,占有计算机资源多,并且随着模型层次的加深,训练参数也越来越复杂,耗时也越来越多,这对于实时性要求上有较大差距。针对VGG 16存在深度太长导致训练时间增大,参数过多,收敛较慢的情况,本文在VGG 16模型的基础上,构建了一个9层的优化的卷积网络OVGG模型,同时利用数据增强与迁移学习方法等方法,加速网络模型的训练收敛,实验结果表明,本文的OVGG模型具备更高的识别效果以及较低的时间消耗。