基于改进深度卷积神经网络的交通标志识别

在实际交通环境中,所采集到的交通标志图像质量往往受到运动模糊、背景干扰、天气条件以及拍摄视角等因素的影响,这对交通标志自动识别的准确性、实时性和稳健性提出了很大的挑战。为此提出了改进深度卷积神经网络AlexNet的分类识别算法模型,该模型在传统AlexNet模型基础上,以真实场景中拍摄的交通标志图像数据集GTSRB为研究对象,将所有卷积层的卷积核修改为3×3大小,为了预防和减少过拟合的出现在两个全连接层后加入dropout层,并且为了提高交通标志识别精度,在网络模型第5层后增加两层卷积层。实验结果表明,改进后AlexNet模型在交通标志识别方面具有一定的先进性和稳健性。