一种改进的深度学习的道路交通标识识别算法

被引：26

作者：

何锐波 ^{[1
,2
]}

狄岚 ^{[1
]}

梁久祯 ^{[3
]}

机构：

[1] 江南大学人工智能与计算机学院

[2] 中国电子科技集团公司第二十八研究所

[3] 常州大学信息科学与工程学院

来源：

智能系统学报 | 2020年 / 15卷 / 06期

关键词：

道路交通标识识别; 图像分割; 卷积神经网络; 去除复杂背景; 数据增强; 归一化; 压缩和激励网络; 残差连接;

D O I：

暂无

中图分类号：

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

学科分类号：

082301 [道路与铁道工程]; 140502 [人工智能];

摘要：

针对复杂的环境,结合图像预处理与深度学习神经网络,提出了一种道路交通标识识别算法。该方法不仅利用图像分割技术,而且利用卷积神经网络模型对道路交通标识进行了更准确的识别。首先,通过调节光照影响、去除复杂背景、数据增强和归一化等批量预处理操作,形成一个完整的数据集;然后,结合squeeze-andexcitation思想和残差网络结构,充分训练出自己的卷积神经网络模型;最后,将优化的网络模型用于道路交通标识的识别。实验结果表明,该方法使训练时间缩短了12%左右,识别精度可达99.26%。

引用

页码：1121 / 1130

页数：10

共 11 条

[1]

基于深度学习的游行示威视频图像检测方法 [J].

丁頠洋 ;

刘格 ;

王贤哲 ;

邵玮炜 .

指挥信息系统与技术, 2018, 9 (06) :75-79

[2]

基于OSPA距离和特征点采样的路标识别算法 [J].

陈利 ;

刘伟峰 ;

杨爱兰 .

哈尔滨师范大学自然科学学报, 2017, 33 (02) :55-57

[3]

基于三次样条插值的GrabCut自动目标分割算法 [J].

温佩芝 ;

陈晓 ;

吴晓军 ;

王浩 .

计算机应用研究, 2014, 31 (07) :2187-2190

[4]

基于特征颜色和SNCC的交通标志识别与跟踪 [J].

房泽平 ;

段建民 ;

郑榜贵 .

交通运输系统工程与信息, 2014, 14 (01) :47-52

[5]

数字RGB与YCbCr颜色空间转换的精度 [J].

张懿 ;

刘旭 ;

李海峰 .

江南大学学报(自然科学版), 2007, (02) :200-202

[6]

Deep Learning in Medical Image Analysis.[J].Dinggang Shen;Guorong Wu;Heung-Il Suk.Annual Review of Biomedical Engineering.2017,

[7]

Man vs. computer: Benchmarking machine learning algorithms for traffic sign recognition.[J].J. Stallkamp;M. Schlipsing;J. Salmen;C. Igel.Neural Networks.2012,

[8]

Real-time speed sign detection using the radial symmetry detector [J].

Barnes, Nick ;

Zelinsky, Alexander ;

Fletcher, Luke S. .

IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, 2008, 9 (02) :322-332

[9]

Recognition of traffic signs based on their colour and shape features extracted using human vision models.[J].X.W. Gao;L. Podladchikova;D. Shaposhnikov;K. Hong;N. Shevtsova.Journal of Visual Communication and Image Representation.2005, 4

[10]

Robust method for road sign detection and recognition [J].

Piccioli, G ;

DeMicheli, E ;

Parodi, P ;

Campani, M .

IMAGE AND VISION COMPUTING, 1996, 14 (03) :209-223

← 1 2 →