搜索详情-毕业论文网

注册

  • 获取手机验证码 60
  • 注册

找回密码

  • 获取手机验证码60
  • 找回

基于神经网络的交通标志分类检测研究毕业论文

 2020-06-07 21:24:01  

摘 要

随着智能交通概念的普及,人们对其安全性提出了更高的要求。交通标志的分类作为识别的基础,是智能交通中不容小视的重要环节。尽管国内外学者在此方面已经取得了很大的成果,但到目前为止仍缺乏高准确率的分类检测算法。因此,如何有效地分类道路交通标志仍是一个非常重要的研究课题。

本文采用图像处理和人工神经网络等基本理论和算法对交通标志进行分类检测,以比利时交通标志数据集作为研究对象,主要采用卷积神经网络算法对其进行分类检测研究,在已构建的CNN模型基础上,通过TensorFlow对模型进行迭代训练得到最优参数,最后用测试数据集对已有模型进行分类准确评估。

本文在论证了具体方案之后,设计了不同的训练方法与测试方法,根据评估结果对模型进行优化,测试其鲁棒性并得出结论。

关键词:交通标志 分类 卷积神经网络 Tensorflow 深度学习

Research on Classification of Traffic Signs Based on Neural Network

Abstract

The introduction of intelligent transportation systems stems from problems caused by traffic jam and the high-tech development, which has been developed over the years as a means to solve a variety of transportation problems. Traffic signs classification and recognition has been a challenge problem for many years and hence become an important and active research topic in the area of intelligent transport systems.

In this paper, Belgian traffic signs are taken as the objects of study, which are classified by the basic theory of image processing and artificial neural network. The CNN convolution neural network algorithm is used to study the classification of the traffic signs,when constructing the CNN model,then training it in Tensorflow, which is subjected to iterative training with the training data set, then assessing the accuracy of the existing model classification by the test data.

After demonstrating the specific scheme, this paper designs different methods including training and testing, and optimizes the model based on evaluation results. The final result is that the classification accuracy is basically maintained at about 90 percent, which can be finally utilized by intelligent traffic systems.

Key Word:traffic sigh; Classification; Convolution neural network; Tensorflow; Deep learning

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1 研究背景及意义 1

1.2 目前国内外研究现状 1

1.2.1 智能交通领域的发展及研究现状 1

1.2.2 图像分类研究现状 2

1.2.3 卷积神经网络在交通标志分类检测的应用及存在问题 3

1.3 本文的主要工作内容 3

1.4 本文的结构安排 4

第二章 图像检测与神经网络 5

2.1 图像检测 5

2.2 BP神经网络 5

2.2.1 网络模型 6

2.2.2 学习过程 6

2.2.3 BP神经网络的优缺点 8

2.3 卷积神经网络 8

2.3.1 基本思想 9

2.3.2 网络结构 13

2.3.3 训练过程 14

2.3.4 Dropout—防止过拟合 16

2.3.5 卷积神经网络的优缺点 17

2.4 本章小结 17

第三章 卷积神经网络的设计 18

3.1 开发环境 18

3.2 流程图 18

3.3 数据集 19

3.4 算法框架 21

3.4.1 卷积核大小和个数的选择 22

3.4.2 池化方法和大小的选择 23

3.4.3 激励函数的选择 25

3.4.5 层数结构选择 28

3.5 本章小结 28

第四章 基于CNN的交通标志分类检测系统 29

4.1 TensorFlow训练CNN网络模型 29

4.2 Tensorboard可视化学习 31

4.3分类检测系统评估 34

4.5 本章小结 36

第五章 总结与展望 37

5.1总结 37

5.2展望 37

参考文献 39

附录 BP算法的计算过程推导 40

致谢 44

第一章 绪论

本章主要介绍了智能交通、图像处理等领域的相关背景知识及意义、目前相关国内外现状,为之后交通标志的分类检测打下理论基础。

1.1 研究背景及意义

现如今,社会在迅猛发展,随着人们出行的增多,无时无刻都得依靠交通工具。交通产业在潜移默化中影响甚至决定着世界各国的经济地位、社会面貌,它是当代国家发展的标志性象征。

目前,城市化发展的脚步仍在加快,城镇人口的数量剧增,人们对交通出行的需求量没变反增,机动车数量依然以指数形式增加。而与此同时,在全球范围内的发达国家与发展中国家,其道路的建设速度都远远比不上机动车的增长速度,由此带来的交通堵塞等安全问题一直影响着人们的出行。再加上当今科学技术的发展,传统城市交通管理的问题日益显露,已满足不了现阶段时代发展的要求,所以城市交通系统需要不断地革新,使其包含的领域越来越广,让其能通过新的科学技术设身处地为人们的出行安全着想。基于以上问题的产生,人们提出了新的发展理念“智能交通”。

在智能交通系统的研究领域,不得不提的是如今很火的无人驾驶,顾名思义,不需要人来驾驶,利用计算机的视觉系统来采集周围的信息,因此人们对它的准确性与安全性提出了更高的要求。而无人驾驶在马路上行驶,它需要进行的第一步是对交通标志进行精准地分类识别,其准确率的高低将直接影响智能交通系统的性能与效率。所以说,对它进一步探索研究很是关键。

1.2 目前国内外研究现状

1.2.1 智能交通领域的发展及研究现状

交通堵塞与环境污染已日渐成为各国国家城市发展的核心问题,交通拥堵导致汽车延时,继而导致汽油的浪费与汽车尾气排放量的增加,环境质量变差现象越来越明显,再加上近些年机动车辆的爆炸式增长,土地资源也变得日益稀缺,导致基础设施的安置受到限制,伴随着这些问题的产生,智能交通由此诞生。

相关图片展示:

您需要先支付 80元 才能查看全部内容!立即支付

课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。