基于单目相机的实时交通信号灯检测与识别方法.docx

经典专科、本科、硕博、研究生、期刊毕业论文 仅供参考 精心整理 仅供参考 勿用作商业用途 目 录 TOC \o "1-3" \h \z \u 前 言 3 第一章 绪 论 4 1.1 研究背景及意义 4 1.2 卷积神经网络概述 5 1.3 本文的主要工作及创新点 6 1.4 文章结构 6 第二章 交通信号灯检测与识别技术 8 2.1 研究现状分析 8 2.1.1 颜色空间 8 2.1.2 交通信号灯的检测技术 10 2.1.3 特征提取 11 2.1.4交通信号灯的识别技术 11 2.1.5目标追踪算法 11 2.2 交通信号灯检测与识别技术难点 12 2.3 本章小结 12 第三章 基于Faster R-CNN的交通信号灯检测技术 13 3.1 基于Region Proposal的深度学习目标检测算法的演进 13 3.1.1 R-CNN目标检测算法 13 3.1.2 SPP-NET目标检测算法 15 3.1.3 Fast R-CNN目标检测算法 16 3.1.4 Faster R-CNN目标检测算法 18 3.2 本文使用的目标检测模型 PVA-Net 21 3.3 本章小结 22 第四章 基于CNN的交通信号灯识别技术 24 4.1 预处理过程 24 4.1.1交通信号灯的类型判定 24 4.1.2基于HSV空间的图像阈值分割 25 4.1.3基于局部最小值的图像切割 26 4.2 卷积神经网络 27 4.2.1 卷积层 27 4.2.2激活函数 28 4.2.3 池化层 30 4.2.4全连接层 30 4.2.5 Dropout层 31 4.3 本文使用的卷积神经网络识别模型 31 4.4 本章小结 33 第五章 交通信号灯检测与识别结果分析 34 5.1 CalmCar交通标识数据集 34 5.1.1 CalmCar交通信号灯检测数据集 35 5.1.2 CalmCar交通信号灯识别数据集 35 5.2 运行环境 36 5.3 实验结果分析 36 5.3.1 交通信号灯检测模型结果分析 36 5.3.2 交通信号灯状态识别模型结果分析 37 5.4 本章小结 38 第六章 总结与展望 39 6.1 本文总结 39 6.2 后续工作展望 40 参考文献 41 致 谢 41 摘 要 目前，关于智能汽车和辅助驾驶系统(ADAS, Advanced Driver Assistance System)的研究非常热门。为了实现智能化的驾驶，要求设备能够进行实时的驾驶环境分析和驾驶行为分析，进而由分析所得的结果执行辅助或者控制操作。交通信号灯，是道路交通必不可少的驾驶信号之一，对有效地指引车辆行驶，维持交通秩序，有着至关重要的作用。因此，智能汽车和辅助驾驶系统想要能够实现自身的功能，交通信号灯的检测与识别是必不可少的组成部分。 本文深入地研究了交通信号灯的检测和识别方法，分别提出了采用深度学习进行检测和识别的实现方式，对现实环境中的交通信号灯进行实时地检测和识别。本文采用基于Faster R-CNN的检测模型，实时检测交通信号灯；采用基于局部最小值的预处理方法，对检测出的交通信号灯进行切割，得到特征明显的单个的信号灯图案；最后采用基于卷积神经网络的识别模型，进行交通信号灯状态的识别。本文所用到的数据都来自于Calm Car交通标识数据集，采集自真实的中国典型城市的道路交通环境中，适合于分析中国交通道路状况的相关应用。 关键词：深度学习；图像识别；目标检测；卷积神经网络 Abstract At present, the research on Smart Car and Advanced Driver Assistance System (ADAS) is very popular. In order to realize intelligent driving, the device is required to perform real-time driving environment analysis and driving behavior analysis, and then perform assistance or control operations from the results of the analysis. Traffic lights are one of the essen