基于BP神经网络的交通信号数字指示灯识别

doi:10.3969/j.issn.1006-2475.2013.04.020

计算机与现代化 ›› 2013, Vol. 1 ›› Issue (4): 77-80.doi: 10.3969/j.issn.1006-2475.2013.04.020

基于BP神经网络的交通信号数字指示灯识别

任勇¹，彭静玉²

1.苏州大学计算机科学与技术学院，江苏苏州 215006；2.苏州大学应用技术学院，江苏苏州 215325

收稿日期:2013-03-15 修回日期:1900-01-01 出版日期:2013-04-17 发布日期:2013-04-17

Identification of Digital Traffic Signals Indicator Based on BP Neural Network

REN Yong¹, PENG Jing-yu²

1. School of Computer Science and Technology, Soochow University, Suzhou 215006, China;2. Applied Technology College of Soochow University, Suzhou 215325, China

Received:2013-03-15 Revised:1900-01-01 Online:2013-04-17 Published:2013-04-17

摘要/Abstract

摘要： 交通信号数字指示灯识别是根据数字指示灯的特征分析图像内容，找出数字指示灯目标并加以分类识别的过程，包括预处理、定位、分割以及识别等过程。本文采用基于颜色-形状特征的目标检测算法和基于BP神经网络的识别算法，设计一种较为简单、准确的数字信号灯的识别方法。仿真实验表明，本算法具有较高的准确率和执行效率。

关键词: BP神经网络, 信号灯识别, 数字指示灯

Abstract: Identification of digital traffic signals indicator is the process of analyzing image content based on the characteristics of digital indicator to identify, classify and recognize digital indicator target, including pretreatment, positioning, segmentation, identification and etc. This paper designs a more simple, accurate digital signal light recognition method by using the target detection algorithm based on the color-shape characteristics and the recognition algorithm based on BP neural network. Simulation experiments results show that this method is of higher accuracy rate and execution efficiency.

Key words: BP neural network, semaphores recognition, digital indicator

中图分类号:

TP391

任勇;彭静玉. 基于BP神经网络的交通信号数字指示灯识别[J]. 计算机与现代化, 2013, 1(4): 77-80.

REN Yong;PENG Jing-yu . Identification of Digital Traffic Signals Indicator Based on BP Neural Network[J]. Computer and Modernization, 2013, 1(4): 77-80.

[1]	毛明扬, 徐胜超. 面向粒子群优化BP神经网络的粗糙集连续属性离散化算法[J]. 计算机与现代化, 2023, 0(09): 115-119.
[2]	王玉立, 杨昌松, 邱劲, 韦俊, 吴宏杰, . 基于时空注意力机制的基坑位移预测方法[J]. 计算机与现代化, 2023, 0(05): 39-45.
[3]	王颖颖, 庄毅, 孙逸帆. 基于粒子群优化BP神经网络的可靠性评估模型[J]. 计算机与现代化, 2022, 0(12): 42-49.
[4]	汪敏, 徐英豪, 朱习军. 基于改进遗传算法优化BP神经网络的糖尿病并发症预测模型#br#[J]. 计算机与现代化, 2022, 0(11): 69-74.
[5]	刘军, 彭慧娴, 黄斌, 托尼·谢伊. 基于BP-GamysBoost的乳腺癌诊断模型[J]. 计算机与现代化, 2021, 0(04): 8-14.
[6]	陈平平,耿笑冉,邹敏,谭定英. 基于机器学习的文本情感倾向性分析[J]. 计算机与现代化, 2020, 0(03): 77-.
[7]	崔晨耕. 神经网络算法与机理模型融合的#br# 冷连轧轧制力智能预报模型[J]. 计算机与现代化, 2019, 0(08): 74-.
[8]	黄荣1，陈垲冰1，岳青2，刘兴林1，吴明芬1. 基于BP神经网络的用户九型人格模型构建[J]. 计算机与现代化, 2019, 0(03): 1-.
[9]	杨立苑，胡佳军，李显风，周雪莹，邹海燕. 基于BP神经网络的气象云资源调度系统[J]. 计算机与现代化, 2018, 0(07): 68-.
[10]	蒋晨阳，张云飞，李鑫. 基于时空相关性的连续缺失值填补算法[J]. 计算机与现代化, 2016, 0(9): 6-9.
[11]	胡帅,顾艳,姜华. 基于PCA-RBF网络的学生写作成绩预测模型[J]. 计算机与现代化, 2016, 0(1): 69-72,126.
[12]	谷全宇1，张梦婷2. 基于蛙跳粒子群的BP神经网络算法[J]. 计算机与现代化, 2015, 0(9): 57-59,65.
[13]	杨争光1,2,范良忠2. 基于MEC-BP神经网络在水产养殖水质预测中的应用[J]. 计算机与现代化, 2015, 0(6): 32-36.
[14]	郝纲，庄毅. 基于PSO-BP神经网络的应力测量与补偿模型[J]. 计算机与现代化, 2015, 0(6): 105-109.
[15]	闫博1，周在金1，李国和2,3，齐佳1. 基于ARMA和BP_AdaBoost的组合销售预测模型研究[J]. 计算机与现代化, 2015, 0(2): 14-.

基于BP神经网络的交通信号数字指示灯识别

Identification of Digital Traffic Signals Indicator Based on BP Neural Network

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价