《毕业设计--交通标志图片分类工具的设计与实现》由会员分享，可在线阅读，更多相关《毕业设计--交通标志图片分类工具的设计与实现（20页珍藏版）》请在金锄头文库上搜索。
1、盐城师范学院毕业设计 毕业设计交通标志图片分类工具的设计与实现学生姓名 l学 院 l专 业 l班 级 l学 号 l指导教师 l2016年5月16日II交通标志图片分类工具的设计与实现摘 要现如今社会经济飞速发展，交通越来越便捷，道路交通的安全问题也日益受到人们的广泛关注。交通标志作为车辆行驶过程中信息传递的重要载体，已成为研究的热点。由于交通标志的种类多种多样且具有一定的识别难度，因此如何有效的解决交通标志图像分类问题成为当务之急。基于以前的不同图像分类系统，本文采用更加适合于多种情况下交通标志的分类方法模型：卷积神经网络(Convolutional Neural Network, CNN)模
2、型，以实现对交通标志图片的识别和分类。首先，我们需要定义卷积采样层，全连接层，逻辑回归层这三种层，然后将这些组件建立一个CNN模型。其次，要定义批量随机梯度下降(Minibatch Stochastic Gradient Descent, MSGD)算法的要素，包含成本函数的训练，验证和测试，参数更新规则2个要素，再运用MSGD来求解。系统最终实现了交通标志图片的分类。【关键词】卷积神经网络；交通标志；图片分类；批量随机梯度下降算法Design and implementation of traffic sign image classification toolsAbstractNowada
3、ys, with the rapid development of society and economy, the traffic is more and more convenient, and the safety of road traffic is more and more concerned by people. As an important carrier of information transmission under driving situation, traffic sign has become a hot research topic. Due to the v
4、ariety of traffic signs and certain recognition difficulty, it is urgent to effectively solve the problem of traffic sign image classification.Based on the different image classification system of the past, this paper uses more suitable method model for a variety of cases of traffic signs classifica
5、tion: convolution neural network model, in order to achieve the recognition and classification of traffic signs. Firstly, we need to define the three layers: the convolution sampling layer, the fully connected layer, and the logistic regression layer, and then build a CNN model by these components.
6、Secondly, we need to define the elements of minibatch stochastic gradient descent algorithm, including the training of cost function, validation and testing. After the parameter update ruling two elements and we use MSGD to solve it. Finally, the system realizes the classification of traffic signs.K
7、ey words convolution neural network, traffic signs, image classification, minibatch stochastic gradient descent algorithm目 录1引言11.1 研究的背景及意义11.2 交通标志分类的研究现状11.3 交通标志分类技术存在的缺陷21.4 交通标志分类系统实现22图像的分类技术22.1 卷积神经网络22.1.1 卷积神经网络的网络结构22.1.2 训练过程32.1.3 卷积神经网络的优缺点32.2 贝叶斯算法42.3 决策树算法52.4 SVM算法63卷积神经网络在交通标志图片
8、分类中的应用.73.1 卷积层和采样层的构建73.2 全连接层的构建83.3 逻辑回归层的构建93.4 图像预处理103.5 卷积神经网络实验数据113.6 卷积神经网络实验结果124总结与展望124.1 工作总结124.2 系统的不足和进一步的研究13参考文献14致 谢151引言1.1 研究的背景及意义随着经济的持续发展，交通安全成为社会重点关注的对象。交通标志是交通安全的重要工具，可以准确地将信息传递给司机和行人，可以及时地捕捉到交通标志信息，对道路交通安全是非常重要的。然而，当许多司机无视交通信号的情况下，会导致交通事故频发。近年来，交通标志成为了一个研究的热点，它作为先进的驾驶辅助系统
9、的重要组成部分之一，包括了图像处理及其他多项优秀的技术。它可以在车辆的过程中采集和识别交通标志，及时向驾驶员发出指令或警告，对于维持交通秩序，确保交通安全和保证安全驾驶有着举足轻重的意义。交通标志识别系统的研究是多种技术的综合应用，运用到模式识别、图像处理和机器学习等多种不同的技术。TSR主要包括两个关键技术：一个是交通标志的分类1；另一个是检测交通标志的区域。这前后的两个环节都是不可缺少的。1.2 交通标志分类的研究现状在80年代初，已经有很多国家都开始研究交通标志的识别了，交通标志识别研究主要是在一些发达国家主持开展如亚洲、欧洲等国。1897年，日本成为第一个检测和识别的交通标志投资2的国
10、家，图像处理的一些经典的方法被广泛采用，如阈值分割。20世纪90年代初，许多先进国家如德、法、美等国的研究团队已经加入交通标志识别的研究行列。交通标志识别方法也变得丰富起来，各国的研究团队也开始大量使用边缘检测和神经网络等不同的方法。1992年，法国著名的Saint-Blancard成为首个成功实现红色标志识别系统的学者。他首先使用了红色闽值分割的方法，随后使用闭合曲线和边缘检测的方法来实现对红色标志的检测；在红色标志识别的过程中，运用了专家系统和神经网络两种方法进行特征提取，最后将识别的结果输入神经网络，以达到实现分类的目的。1993年，美国研制出了一种先进的驾驶员信息系统，它是智能车辆公路
11、系统中的一部分，但是这个智能系统只能识别“停车”这一种交通标志。1994年，在科布伦茨-兰道大学和戴姆勒-奔驰公司的通力合作之下实现了一个能够实时识别交通标志的系统，取得了重大的突破。根据科布伦茨-兰道大学发表在其学校主页的信息可以得出，他们研发出来的交通标志识别系统的速度是非常快的，能够达到每秒3幅的识别速度。另外，针对大型实验数据库的识别准确度达到98%，同时，该系统现已被集成到IITAII自动车辆识别系统中。同年，基于神经网络的基本原理，Zwahlem和Kellmeyer两位科研人员对交通标志图片进行了形状分析和颜色分割两个实验，他们在486 / 25PC机上对不同类型的55幅图像进行了
12、识别测试，处理图像的速度达到每2.3秒一帧，识别的成功概率达到了75%。1.3 交通标志分类技术存在的缺陷交通标志识别系统与其他固定的目标检测和分类系统相比，显得更加的复杂，也更加有难度。鉴于自然场景中有很多的不可控制的条件，因此对算法的鲁棒性3也有了更高的要求。现阶段，交通标志识别所要面临的技术难题大致有下列几点：a）在自然条件下，气候条件不同，时间不同，外部光线不同；b）汽车行驶过程中，急转弯或者道路不平等情况会影响图像的清晰度；c）大自然风雨侵蚀，人类的毁坏会导致交通标志的损坏；d）不同的拍摄角度，房屋和花木等的遮挡会造成交通标志拍摄不完整。1.4 交通标志分类系统实现本文所实现的交通标
13、志图片分类系统，是基于国内外现有的几种交通标志图片分类算法，结合各自的优点并进一步优化。主要参考了基于LeNet-5的手写字识别的算法，最终与同组成员设计出能够更好的适应实际环境的识别交通标志图片的系统。2图像的分类技术2.1 卷积神经网络卷积神经网络4是人工神经网络中的一种，同时也是语音分析和图像识别等相关领域研究的一大热点。它的权值共享网络结构与生物神经网络十分类似，不仅减少了权重的个数，而且能够将网络模型的复杂程度降到最低。卷积神经网络是一种多层感知器，需要运用到特殊方法来设计，通常被用来识别二维形状的图像。值得一提的是这种网络结构在图像形变上具有高度的不变性5，如图像的缩放、平移、旋转
14、或倾斜等。2.1.1 卷积神经网络的网络结构通过与3个可训练的滤波器以及加偏置后，卷积神经网络输入的图像就可以执行卷积功能，下图2-1就是卷积神经网络的概念示范图。图2-1 卷积神经网络的概念示范 此时会有3个特征映射图在卷积后通过C1层显示出来，然后再对特征映射图中的每组内的4个像素分别进行求和，加偏置和加权值，最后通过调用一个Sigmoid函数求解得到了3个S2层的特征映射图。这些特征映射图再通过滤波器滤波就能获得C3层。这个层级结构再经过和S2一样的步骤可以产生S4。最终可以光栅化这些像素值，并将其转化成一个向量依次输入到神经网络中，然后将所得到的结果输出。2.1.2 训练过程训练算法主
15、要包括以下两个阶段，每个阶段各被分为2步：第一阶段，向前传播阶段：a）在特定的样本集中任意选择一个样本(X,Yp)，然后将该样本输入到网络中去；b）计算相应的实际输出Op。第二阶段，向后传播阶段：a）计算实际输出Op与预期输出Yp的差值；b）按极小化误差的方法反向传播调整权矩阵。2.1.3 卷积神经网络的优缺点CNN的最大优点就是稀疏连接6和权值共享，如下图所示，左图2-2为稀疏连接，右图2-3为权值共享。通过运用稀疏连接和权值共享这两个方法除了可以减少所要训练的参数，同时也能够减少计算复杂度。卷积神经网络除了可以运用在以上的情况外，它还对形变、天气等各种因素具有高度的不变性，经过训练的卷积神经网络可以通过使用比之前扫描整幅待检测的图像更小的计算代价来获得，从而降低了检测成本。因此可以广泛应用于目标图片的检测。第16页，共16页 图2-2 稀疏连
