基于深度学习的交通标志检测系统仿真

被引：4

作者：

李克俭

陈少波

李万琦

机构：

[1] 中南民族大学电子信息工程学院

来源：

软件导刊 | 2020年 / 19卷 / 09期

关键词：

深度学习; 目标检测; 交通标志; YOLO; Faster-RCNN;

D O I：

暂无

中图分类号：

U463.6 [电气设备及附件]; TP391.41 []; TP18 [人工智能理论];

学科分类号：

080204 ; 082304 ; 080203 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

交通标志是规范驾驶员驾驶的重要指标信息,如何检测交通标志是无人驾驶和辅助驾驶中的关键一环。利用PYQT开发一套基于深度学习的交通标志检测系统,系统包括4个主要模块:用户信息模块、摄像头采集模块、检测模块和保存结果模块。对比目前主流的深度学习目标检测算法YOLOv3和Faster-RCNN在交通标志上的检测效果,并采用YOLOv3作为系统仿真算法,仿真结果表明,YOLOv3兼顾了实时检测和检测精度要求,对无人驾驶和辅助驾驶研究具有一定应用价值。

引用

页码：31 / 34

页数：4

共 20 条

[1] 基于深度卷积网络的目标检测综述 [J].

吴帅 ;

徐勇 ;

赵东宁 .

模式识别与人工智能, 2018, 31 (04) :335-346

[2]

Learning Non-maximum Suppression. Hosang J,Benenson R,Schiele B. IEEE Conference on Computer Vision and Pattern Recognition . 2017

[3]

A real-time chinese traffic sign detection algorithm based on modified YOLOv2. Zhang J,Huang M,Jin X,et al. Algorithmica . 2017

[4]

Traffic-Sign Detection and Classification in the Wild. Zhu Z,Liang D,Zhang S,et al. Computer Vision and Pattern Recognition . 2016

[5]

R-FCN Object Detection via Region-based Fully Convolutional Networks. Dai J,Li Y,He K.et al. Advances in Neural Information Processing Systems . 2016

[6]

基于卷积神经网络的交通标志检测研究[D]. 何洪亮.南京理工大学 2018

[7]

用于交通标志检测的改进SSD深度神经网络方法研究[D]. 王兴莉.长安大学 2019

[8]

基于改进的Faster R-CNN的目标检测系统的研究[D]. 洪文亮.吉林大学 2019

[9] 自然环境下圆形禁令交通标志检测 [J].

李迎松 ;

郑顺义 ;

夏远鑫 ;

王政 .

武汉大学学报(信息科学版), 2016, 41 (12) :1619-1625

[10] 基于颜色-几何形状建模的道路交通标志识别技术的研究 [J].

崔盼 ;

张荣辉 .

物联网技术, 2017, 7 (03) :17-18+21

← 1 2 →