基于卷积神经网络的交通路标识别

doi:10.3969/j.issn.1006-2475.2018.07.021

计算机与现代化

基于卷积神经网络的交通路标识别

(华南农业大学数学与信息学院,广东广州510642)

收稿日期:2017-10-27 出版日期:2018-08-23 发布日期:2018-08-27
作者简介:陈柏立(1996-),男,广东珠海人,华南农业大学数学与信息学院本科生,研究方向:神经网络,图像处理;林楠(1997-),男,广东汕头人,本科生,研究方向:神经网络,数据分析。

TrafficSignRecognitionBasedonConvolutionalNeuralNetwork

(CollegeofMathematicsandInformatics,SouthChinaAgriculturalUniversity,Guangzhou510642,China)

Received:2017-10-27 Online:2018-08-23 Published:2018-08-27

摘要/Abstract

摘要： 科技的发展，使得适合无人驾驶的交通路标识别变得越来越实际。而利用卷积神经网络进行的交通路标识别是目前最为流行的方法，本文基于该方法进行实验。在现实收集路标图像数据后，利用直方图均衡化等方法实现图片预处理，构成训练集和测试集。然后构建LeNet5结构的卷积神经网络对路标图片训练集进行训练，再利用测试集来检验模型的精准度。在第一次实验中，模型的识别准确率虽然已经高于其他传统识别方法，但是只有87.5%，经过对神经网络的批尺度和卷积核以及训练次数等方面调整后，识别率达到93.2%。

关键词: 卷积神经网络, 路标识别, Python

Abstract: Withthedevelopmentofscienceandtechnology,therecognitionoftrafficsignsforunpilotedvehicleisbecomingmoreandmorepractical.Andthemostpopularmethodtorecognizethetrafficsignistousetheconvolutionalneuralnetwork.Theexperimentismadebasedonthismethod.Afterthecollectionofactualtrafficsignsimagedata,weusethehistogram-equalizationandothermethodstoachieveimagepreprocessingandconstitutethetrainingsetandtestset.ThenwebuildtheconvolutionneuralnetworkofLeNet5bythetrainingset,andusethetestsettotesttheaccuracyofthemodel.Inthefirstexperiment,therecognitionaccuracyofthemodelishigherthanothertraditionalidentificationmethods,butonly87.5%.Aftertheadjustmentoftheneuralnetwork’sbatchsize,theconvolutionkernel,thenumberoftrainingandotheraspects,therecognitionaccuracyisincreasedto93.2%.

Key words: convolutionalneuralnetwork, trafficsignrecognition, Python

中图分类号:

TP301

陈柏立，林楠. 基于卷积神经网络的交通路标识别[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2018.07.021.

CHENBai-li，LINNan. TrafficSignRecognitionBasedonConvolutionalNeuralNetwork[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2018.07.021.

参考文献

［1］吴锦晶,张仁杰,唐春晖.交通路标图像的分割与识别方法研究［J］.光学仪器,2011,33(5):34-41.
［2］AkatsukaH,ImaiS.Roadsignpostrecognitionsystem［C］//Proc.ofSAEVehicleHighwayInfrastructure:SafetyCompatibility.1987:189-196.
［3］LiuHX,RanBin.Vision-basedstopsigndetectionandrecognitionsystemforintelligentvehicle［J］.TransportationResearchRecordJournaloftheTransportationResearchBoard,2001,1748(1):161-166.
［4］LoyG,BarnesN.Fastshapebasedroadsigndetectionforadriverassistancesystem［C］//Proceedingsof2004IEEE/RSJInternationalConferenceonIntelligentRobotsandSystems.2004:70-75.
［5］FangChiung-Yao,ChenSei-Wang,FuhChiou-Shann.Road-signdetectonandtracking［J］.IEEETransactionsonVehicularTechnology,2003,52(5):1329-1341.
［6］徐梅.基于内容的图像数据库检索技术分析［J］.通讯世界,2016(6):277-278.
［7］董浩,程鹏,李玲玲.深度学习算法在电力系统短期负荷预测中的应用［J］.电气时代,2017(2):82-84.
［8］丁婷,孙玉环.基于BP神经网络的交通标志识别［J］.物联网技术,2013(5):18-20.
［9］丰晓霞.基于深度学习的图像识别算法研究［D］.太原:太原理工大学,2015.
［10］庞振.基于径向基函数神经网络的图像识别研究［D］.长沙:长沙理工大学,2011.
［11］张安胜.深度学习在蛋白质二级结构预测中的应用研究［D］.合肥:安徽大学,2015.
［12］冯霞,石超,郝振平.基于差分图像的灰度信息匹配算法在轮胎检测中的应用［J］.电脑知识与技术,2015,11(3):183-184.
［13］张艳丽.基于多信息融合的门禁系统的设计［D］.天津:天津工业大学,2006.
［14］赵志宏,杨绍普,马增强.基于卷积神经网络LeNet-5的车牌字符识别研究［J］.系统仿真学报,2010,22(3):638-641.
［15］王珂娜,邹北骥,黄文梅.一种基于神经网络的畸变图像校正方法［J］.中国图象图形学报,2005,10(5):603-607.
［16］孙劲光,蒋金叶,孟祥福,等.一种数值属性的深度置信网络分类方法［J］.计算机工程与应用,2014,50(2):112-115.
［17］吴杰.基于深度学习的手势识别研究［D］.成都:电子科技大学,2015.
［18］陈宇.基于深度置信网络的中文信息抽取方法［D］.哈尔滨:哈尔滨工业大学,2014.
［19］胡锦城.基于稳定特征的交通标志检测与识别技术研究［D］.长沙:湖南大学,2012.
［20］邵桂珠.道路交通标志识别算法的研究［D］.长春:吉林大学,2008.
［21］黎华东.智能交通中的违章识别算法研究［D］.哈尔滨:哈尔滨工业大学,2014.

[1]	周成诚, 曾庆军, 杨康, 胡家铭, 韩春伟. 基于高效通道注意力模块的运动想象脑电识别[J]. 计算机与现代化, 2023, 0(12): 19-23.
[2]	刘付琪, 张达, 宋建华, 王海东. 基于CNN-BiLSTM的液压系统故障诊断[J]. 计算机与现代化, 2023, 0(09): 10-19.
[3]	吴甜, 刘海华, 童顺延. 基于深度反馈的卷积神经网络的图像分类[J]. 计算机与现代化, 2023, 0(09): 82-86.
[4]	孙子雨, 任燃, 魏曦哲. 基于DTW-TCN的股票分类及预测研究[J]. 计算机与现代化, 2023, 0(08): 31-37.
[5]	江蕾, 唐建, 杨超越, 吕婷婷. 基于CWGAN-GP与CNN的轴承故障诊断方法[J]. 计算机与现代化, 2023, 0(07): 1-6.
[6]	许叶彤, 耿信哲, 赵伟强, 张月, 宁海龙, 雷涛. 基于CNN-Transformer混合结构的遥感影像变化检测模型[J]. 计算机与现代化, 2023, 0(07): 79-85.
[7]	朱剑波, 葛明锋, 董文飞. 基于改进EfficientNet的阿尔兹海默症图像分类[J]. 计算机与现代化, 2023, 0(06): 56-61.
[8]	刘甲甲, 胡旭欣, 余萍. 聚合多维注意力特征的单目深度估计方法[J]. 计算机与现代化, 2023, 0(06): 76-81.
[9]	刘静, 陈金广. 基于通道注意力和Transformer的图像标题生成方法[J]. 计算机与现代化, 2023, 0(05): 8-12.
[10]	王欣怡, 尹四清, 洪军. 融合注意力机制的非对称深度监督哈希[J]. 计算机与现代化, 2023, 0(05): 26-31.
[11]	苏金库, 桂智明. 基于时空特征的短时出租车流量预测[J]. 计算机与现代化, 2023, 0(05): 32-38.
[12]	王娟, 李传庚, 张卿源, 夏承遗. 基于Multiscale-Net的膝关节半月板分割方法[J]. 计算机与现代化, 2023, 0(05): 111-116.
[13]	王磊, 张晓东, 戴欢. 基于1D-CNN-LSTM注意力网络的抽油机井故障诊断[J]. 计算机与现代化, 2023, 0(04): 1-6.
[14]	徐涯昕, 何泽恩, 徐绪堪. 基于CNN-BiLSTM网络的数控机床故障文本自动分类[J]. 计算机与现代化, 2023, 0(04): 7-14.
[15]	朱原冶, 倪建军, 唐广翼. 一种基于改进卷积神经网络的RGB-D室内场景分类方法[J]. 计算机与现代化, 2023, 0(04): 73-77.

基于卷积神经网络的交通路标识别

TrafficSignRecognitionBasedonConvolutionalNeuralNetwork

可视化

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