交通标志图片分类工具设计和实现.pptxVIP

交通标志图片分类工具的设计与实现 目录 研究背景 目的及意义 论文纲要 编写语言及各种算法的对比 卷积神经网络简介 卷积神经网络的模型构建 交通标志分类工具的实验数据 交通标志分类工具的实验结果 总结 研究背景 随着经济的快速发展，交通安全成为社会重点关注的对象。用于管理和提醒行驶车辆的交通标识符也得到了大力的发展。交通标志是交通安全的重要工具，可以准确地将信息传递给司机和行人，并且及时地捕捉到交通标志信息，对道路交通安全是非常重要的。然而，当许多司机无视交通信号的情况下，会导致交通事故频发。 目的及意义 要想减少发生交通事故，那么就要及时准确地捕获交通标志信息，因此交通标志的识别成为了智能交通系统的极为重要的一环。为了解决交通标志识别的问题，本系统参考了基于LeNet-5的手写字识别的模型，实现了对交通标志图片进行分类。 论文纲要 1 引言 1.1研究的背景及意义 1.2交通标志分类的研究现状 1.3交通标志分类技术存在的缺陷 1.4交通标志分类系统实现 2 图像的分类技术 2.1卷积神经网络 2.1.1卷积神经网络的网络结构 2.1.2训练过程 2.1.3卷积神经网络的优缺点 2.2贝叶斯算法 2.3决策树算法 2.4SVM算法 3 卷积神经网络在交通标志图片分类中的应用 3.1卷积层和采样层的构建 3.2全连接层的构建 3.3逻辑回归层的构建 3.4图像预处理 3.5卷积神经网络实验数据 3.6卷积神经网络实验结果 4 总结与展望 4.1工作总结 4.2系统的不足和进一步的研究 编写语言及各种算法的对比 语言：python 算法对比： 贝叶斯：识别率低，分类效率低； 决策树：种类多的时候容易出错； SVM：识别率低，数据量大的时候训练时间长。 卷积神经网络简介 卷积神经网络[4]是人工神经网络中的一种，同时也是语音分析和图像识别等相关领域研究的一大热点。它的权值共享网络结构与生物神经网络十分类似，不仅减少了权重的个数，而且能够将网络模型的复杂程度降到最低。 卷积神经网络的模型构建 1.卷积层和采样层的构建 卷积层的构建过程：首先输入图像，其次使用一个可以训练的滤波器对刚刚输入的特征映像图进行卷积，然后再加偏置，最后就能得到卷积层。 采样层的构建过程：首先将每个特征映像图区域中的4个像素进行求和使其变成一个像素，其次采用加权值和加偏置的方法，最后再运用一个Sigmoid函数就能够得到一个比原先的小了4倍的特征映射图。 2.全连接层的构建 全连接层是分类器的前一层，本系统采用的是反向传播算法，然后把全部的2维特征映像图改变成一维的来作为全连接层的输入，详细代码如下。 3.逻辑回归层的构建 本系统使用了批量随机梯度下降（MSGD）的技术。换而言之，就是在遍历完一个文件的样本之后才会计算梯度并且更新参数，一般一个文件包括了几十到几百个的单个样本。 4.图像预处理 图像的预处理就是对图像进行简单的处理，这一过程极其的重要。首先对获得的图片进行选取，比如图像素材含有多余的几个目标，我们就要对图像进行分割以选取正确的目标。然后对图像进行灰度处理，将彩色图片处理成灰度值为8的图片。 交通标志分类工具的实验数据 为了方便实验，本系统只挑选了部分交通标志进行实验，选取了不同场景光线下拍摄的照片，涉及到的交通标志图片如下图3-1所示。本系统仅挑选每组图片中的一张进行展示。 交通标志分类工具的实验结果 本系统经过学习之后就可以进行交通标志图片的测试了。从所有的测试图片中任意选出一张标志图片来测试，整个过程是自动完成的，会将图片的含义直接用中文显示出来。 总结 工作总结：本文通过对目前国内外现有的交通标志图片分类技术进行研究，并结合典型的几种交通标志图片分类算法各自的优点，对现有的算法做了进一步的优化，参考了基于LeNet-5的手写字识别的算法，实现了对交通标志图片进行分类，最终与合作伙伴共同设计出能够在各种自然环境下进行交通标志图片分类的方法。 系统不足：交通标志大多出现于户外场所，因此在多种因素的影响下想要拍摄到清晰的交通标志图片存在一定难度，其中最主要影响因素的就是天气。本文只在晴天光照充足的条件下进行了的交通标志识别的实验，在其它特殊天气如阴雨天的情况下拍摄的交通标志未进行深入研究。 感谢各位评委老师的观看