基于深度学习的交通标志牌的算法设计.docxVIP

摘 要 PAGE PAGE I 成都理工大学硕士学位论文 PAGE PAGE II 基于深度学习的交通标志牌识别算法的设计 摘 要 当前社会的不断进步和发展，我国人口数量一直在持续增长，这也随之会带来各种问题，比较突出的问题就是汽车数量日益增多，道路安全问题越发严重。不仅给国民带来了不必要的损失，也给公共交通造成极大的不便，在实际行驶场景中，交通安全问题的产生主要是驾驶员未能准确快速的对交通场景信息准确判断，并根据指示进行行驶操作，导致了安全问题的发生。 因此如何正确识别道路环境中的交通标志信息，是可以有效避免城市交通出现不和谐问题的一项研究方向。随着城市的智慧化程度日趋完善，在交通场景中，针对当前智慧交通的应用性，减少各类交通拥堵，交通安全规范问题，可以运用更智能化的识别系统来完成交通标志牌的准确检测，本文研究了全面性更好，识别率更高，精确度稳定的交通标识的检测和识别的算法，通过对采集到的道路交通标志图像进行相应的特征检测，来实现更灵活的信息识别的系统设计，主要研究内容包含以下几个方面。 首先，我们对使用的数据集进行图像的预处理操作，对采集的交通标识牌信息归一化，进行数据增强，自适应直方图均衡化，滤波去噪等操作，完成采集数据的增强。 之后，需要完成对多重类别的标志信息检测，使用基于深度学习的相应交通识别学习算法的设计，在目标运行过程中，运用卷积神经网络的网络架构法来实现检测，深入研究并优化卷积神经网络的架构YOLO v3结合深度残差网络块来加强网络深度，提升模型的训练效率，然后再结合多尺度的特征提取，来实现目标的准确检索，增加相应深度学习网络结构的层数设置，保证防止过拟合现象出现，并采取聚类特征点生成先验框来对边界框进行预测分析，由此设计了相应的算法模型。 再对现有设计上的算法与已成型算法进行对比，进行实验，判断其检测精度，回归性等性能指标，主要通过从相应图像采集模块上进行特征的提取，区域特征点的标记，采集图像的目标识别分类等步骤实现。最后实现整体系统的布局，预采用在pycharm编译软件平台上实现系统的设计，最终通过实验结果并对比分析，展示了本文设计的网络模型算法在不同场景下具有很好的识别效果，满足总体预估设计需求。 关键词：卷积神经网络；深度残差网络；多尺度；pycharm；区域特征提取 Design of Traffic Sign Recognition Algorithm Based on Depth Learning Abstract With the continuous progress and development of the current society, the population of our country has been continuously increasing, which will bring various problems. The more prominent problem is the increasing number of cars and the more serious road safety problems. Not only has it brought unnecessary losses to the citizens, but also has caused great inconvenience to the public transportation. In the actual driving scene, the traffic safety problem is mainly caused by the drivers failure to accurately and quickly judge the traffic scene information accurately and operate according to the instructions, resulting in the occurrence of safety problems. Therefore, how to correctly identify traffic sign information in road environment is a research direction that can effectively avoid disharmony in urban traffic. With the citys intelligence becoming more and more perfect, in the traffic scene, aiming at the current application of i