论文摘要
交通标志的正确识别是智能车辆规范行驶、道路交通安全的前提;为解决智能车采集目标图像模糊、分辨率低,造成识别精度低且时效性差的问题,构建一种基于级联深度网络的交通标志识别模型,该模型级联超分辨率处理网络ESPCN与目标检测识别网络RFCN,ESPCN网络提高输入采集图像的分辨率,为低分辨率图像实现超分辨率处理,RFCN网络提取图像全局特征,实现交通标志的检测与分类识别;平衡采样及多尺度的训练策略结合数据增强的预处理方法,增强了网络模型的鲁棒性及扩展性;经实验验证,算法模型针对常见交通标志识别率达到98.16%,召回率达到96.2%,且鲁棒性较好。
论文目录
文章来源
类型: 期刊论文
作者: 樊星,沈超,徐江,连心雨,刘占文
关键词: 深度学习,交通标志识别,网络,平衡采样,数据增强
来源: 计算机测量与控制 2019年04期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 公路与水路运输,计算机软件及计算机应用,自动化技术
单位: 长安大学信息工程学院
基金: 国家自然科学基金项目(61703054),陕西省重点研发计划重点项目(2018ZDXM-GY-044),装备预研教育部联合基金(6141A02022322),高等学校学科创新引智计划项目(B14043),中央高校基本科研业务费高新技术研究培育项目(300102248202)
分类号: U491.52;TP391.41;TP183
DOI: 10.16526/j.cnki.11-4762/tp.2019.04.033
页码: 143-148
总页数: 6
文件大小: 1298K
下载量: 111