导读:本文包含了路标识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:路标,卷积,神经网络,深度,机器人,图像,模糊。
路标识别论文文献综述
李晶,陈思[1]（2019）在《多移动机器人自主导航路标准确识别方法仿真》一文中研究指出对多移动机器人导航路标进行识别时,能有效提高识别的效率,减小机器人导航路标识别的误差,满足当前机器人导航路标识别的需求。但利用当前识别方法对机器人导航路标进行识别时,由于导航路标中干扰因素较多,降低了路标识别的准确性。提出基于角点聚类的多移动机器人导航路标识别方法。对机器人导航路标图像进行预处理,利用图像颜色分量对路标图像彩色空间进行转换,依据Canny边缘算子定义路标图像准则函数,并对导航路标图像边缘特征检测。依据角点聚类方法对导航路标局部特征进行提取,并提出不随路标距离以及路标角度变化的路标图像局部特征表示以及匹配方法,完成对多移动机器人自主导航路标的准确识别。实验结果表明,所提方法能有效提升导航路标识别的效率与准确性。(本文来源于《计算机仿真》期刊2019年08期）
何锐波[2]（2019）在《基于深度学习的路标识别》一文中研究指出道路交通标志作为道路交通信息的重要表示方式,包含了车道限速提示、车道方向指示器、车道警示提示等道路交通信息,已成为无人驾驶技术不可缺少的组成部分之一。围绕这个问题的研究长期以来都很受欢迎。本文把传统的机器学习以及图像处理技术与深度学习模型相结合,具体工作详情如下:1)对数据集进行预处理操作。在进行深度学习模型的训练时,训练数据集是否具有完备性对后续深度学习网络模型成型有着重要的影响,通过减少道路交通标识数据集图像的噪声以及复杂背景等因素的影响,来得到一个比较完备的数据集,以供后续深度学习模型学习。模糊聚类算法通过引入模糊理论,缓解了原本聚类算法中过于严格的界限划分,而PCM算法在经典的FCM算法基础上降低了对隶属度的要求,从而降低了噪声对算法的影响。在基于核的PCM算法基础上,通过添加类间惩罚项,拉大类间中心距离,降低边界处的模糊数据分类问题,使得图像分割更精确。同时对数据集中数据量较少的类别进行旋转数据增强操作、多色彩空间图像增强操作以及归一化数据集图像大小操作得到一个完备的数据集。通过实验证明,经预处理操作后的数据集与未经处理的原始数据集相比较,在相同的深度学习网络模型上有着较优的识别准确率。2)提出了一种新的网络模型MRESE模型。在深度学习网络模型中,加深网络模型的深度是一种提高识别率的方法,随着计算机性能的增加,网络模型的深度也越来越深,消耗的训练时间也逐渐增加。针对深度学习模型训练耗时问题,MRESE模型结合了Residual Neural Network(ResNet)网络模型结构,一定程度上解决梯度消失或者爆炸问题,同时引入Momenta的团队WMW提出的Squeeze-and-Excitation(SENet)网络模型结构,从特征通道之间的相互关系着手,提升有用特征的学习,在降低网络模型深度从而减少训练所需时间的基础上,保证了网络模型具有较高的准确率。通过在两个不同的数据库,比利时交通标识数据库(BelgiumTSC)小型数据库与德国交通标识标准数据库(GTSRB)大型数据库进行实验,验证了本文提出的网络模型的有效性。(本文来源于《江南大学》期刊2019-06-01）
陈林[3]（2019）在《基于深度学习的路标识别系统研究》一文中研究指出近年来随着人们经济水平与生活质量的不断提升,对汽车驾驶的安全性以及舒适性也提出了更高的要求,这也促使辅助驾驶技术在汽车领域得到广泛应用。汽车辅助驾驶系统不但可以很好地减少驾驶员驾驶过程中的精神压力,还能大大降低交通事故发生概率。辅助驾驶系统中的核心要素就是路标识别。随着科学发展,技术的进步,深度学习技术可以提高路标识别的精度和效率。本文的研究是基于深度学习来探讨路标识别问题,研究并实现路标识别系统。为了实现该系统,本文所做的工作主要为:1、基于路标的颜色特性和人眼对颜色感知的特性,提出CLAHE算法与基于Grey-Edge的图像增强算法相结合,有效的改善图像的质量。2、采用Leaky ReLU激活函数,残差网络ResNet以及R-FCN网络改进Faster R-CNN的网络结构,使用最新的Nadam优化算法和OpenBLAS加快网络训练速度,并通过实验验证和分析了改进算法的性能。最终从实验的四组网络中选出不仅识别精度高而且识别效率快的路标检测网络:R-FCN+ResNet-50。3、为了提高R-FCN+ResNet-50网络的实用性,改进了RPN网络,减少候选区域的数量和大小,不仅提高了路标识别精度,还提高了识别的效率。4、搭建路标识别系统,包括软件和硬件平台。完成改进的R-FCN+ResNet-50对行车记录仪采集的离线视频的实验,验证了网络模型的可靠性和系统的实用性。(本文来源于《华东师范大学》期刊2019-03-01）
陈璐媛[4]（2019）在《无人驾驶的路标识别算法研究》一文中研究指出随着社会经济的发展,人口不断增长和汽车数量的增加,道路交通拥堵、交通安全、空气污染等变成了当下无法忽视的问题。而无人驾驶的出现将成为解决这个问题的研究方向之一。无人驾驶汽车比人类的反应更加灵敏、迅速与稳定,可以很大程度避免人为导致的交通事故。无人驾驶的路标识别是指利用车载摄像头获取道路场景图像,并识别出图像上的路标和语义,属于无人驾驶判断当前道路指示的重要内容,如何让汽车自动、准确的识别出路标具有重要的研究意义。当前主要的研究方向是之一通过路标颜色形状等特征进行匹配识别方,另外一种是基于机器学习的识别,此外还有近几年快速发展并成为研究热门的深度学习。本文在深入研究了几种经典方法的基础上做了以下工作:1、研究了基于形状的模板匹配算法的原理,并提出投影变换下的基于形状的模板匹配,对原来的匹配算法加入了投影变换,实验证明本文的算法提高了5.9%的准确度。2、研究了深度学习基于图像识别的算法原理,将卷积神经网络的算法运用到了路标识别中,深入研究卷积神经网络的架构,设计了模块化的卷积神经网络结构。基于TensorFlow的开源框架下,完成了算法的设计与实验,在GTSRB数据集上,进行了数据集的可视化和归一化的预处理。3、通过初步实验证明卷积层的初始深度为32,且卷积核大小为3×3,5×5时,卷积神经网络模型的性能更好,在此基础上又将输入的数据进行了数据集的扩充,灰度化处理和直方图均衡化实现了对比度的增强,然后增加了Dropout层防止训练过拟合的问题。在不同参数设定下,分别建立模型进行实验,并最终确立了最佳模型,增加迭代次数,将识别率提高到了98%以上。(本文来源于《浙江科技学院》期刊2019-01-10）
宋锦博[5]（2019）在《除草机器人路标识别多模式匹配算法研究——面向中英文混合环境》一文中研究指出随着农业自动化水平的不断提高,除草机器人被逐步地应用到了农田生成作业过程中,机器视觉系统是除草机器人自主导航和杂草作物识别的核心部件,其性能的好坏直接影响作业效率和作业质量。为了提高除草机器人的导航效率,提出了一种基于中英混合环境的多模式匹配算法,将该算法应用到了除草机器人的英文和中文导航路标的模式匹配上,并采用相关图像处理算法对路标进行了增强处理,最后对不同环境下导航的可行性进行了验证。结果表明:采用中英文混合环境的多模式匹配算法和图像增强处理功能后,除草机器人机器视觉系统的路标成功识别率较高,导航准确率也较高,从而验证了方案的可行性和可靠性。(本文来源于《农机化研究》期刊2019年07期）
陈柏立,林楠[6]（2018）在《基于卷积神经网络的交通路标识别》一文中研究指出科技的发展,使得适合无人驾驶的交通路标识别变得越来越实际。而利用卷积神经网络进行的交通路标识别是目前最为流行的方法,本文基于该方法进行实验。在现实收集路标图像数据后,利用直方图均衡化等方法实现图片预处理,构成训练集和测试集。然后构建Le Net5结构的卷积神经网络对路标图片训练集进行训练,再利用测试集来检验模型的精准度。在第一次实验中,模型的识别准确率虽然已经高于其他传统识别方法,但是只有87.5%,经过对神经网络的批尺度和卷积核以及训练次数等方面调整后,识别率达到93.2%。(本文来源于《计算机与现代化》期刊2018年07期）
马一千[7]（2018）在《圆形路标识别算法的研究》一文中研究指出伴随高速发展的国民经济和日渐加快的城镇化建设,城市交通系统的安全与低效问题日渐突出。具备实时识别路标的智能交通系统(ITS)被认为是解决上述问题的有效途径。ITS是一个包含了计算机视觉、通信、控制等技术的综合性系统,具有诸多研究方向,而基于数字图像处理检测技术的路标识别系统逐渐成为研究热点和发展趋势。这对于改善城市交通、促进城镇化建设以及发展经济建设具有重要意义。本文从实际情况出发,对圆形路标识别系统所涉及到的数字图像处理、系统框架构建、路标图库建立、特征提取及匹配识别算法展开相关研究工作,并取得以下研究成果:以我国目前所执行的国家标准为依据建立圆形路标图库,包括了标准圆形路标和实地采集路标,通过对标准圆形路标图像进行仿射变换以增加对极端情况的模拟。此外,由于采集了自然场景中不同距离和角度的圆形路标,使得所组成的采集图库具备识别多样性。为了提高圆形路标的匹配识别率,本文在对圆形路标预处理过程中采用拉普拉斯算子进行图像增强处理;同时提出了强度分量重映射函数以去除圆形路标的高亮区域,并针对不佳光照条件下的圆形路标,采用CLAHE对其进行处理,以实现光照控制目的;最后利用Sobel算子进行边缘检测完成圆形路标预处理过程。本文是对校正后的圆形路标进行匹配识别,因此采用了结合形态学的Hough变换同最小二乘法共同检测椭圆的组合方法来求椭圆参数,并通过RMS对参数进行处理,获得校正参数并以此进行椭圆校正实验,实现校正过程。本文详尽研究了SIFT特征提取算法和Gabor特征提取算法,并利用主成分分析法对Gabor提取的特征向量进行降维,以降低识别所用时间。最后利用SIFT算法和Gabor算法对标准图库和实地采集图库分别进行匹配识别仿真实验,获得匹配识别率、识别时间与特征向量关系图,同时还针对训练样本数的差异进行相关实验。(本文来源于《内蒙古工业大学》期刊2018-06-01）
张景滔[8]（2018）在《基于深度学习的路标检测与识别方法研究》一文中研究指出近年来以私家车为主的机动车辆逐渐成为了人们的主要代步工具,随之而来的是交通系统的巨大负担以及诸多安全问题。交通标志作为重要的道路安全设施,对它的检测与识别是智能交通系统的重要技术环节之一,越来越受到广大研究人员的关注。本文利用深度学习、机器学习以及图像处理等相关技术,有效地进行了以下几个方面的研究工作。传统的交通标志检测与识别方法中往往通过设计复杂的人工特征来完成交通标志的识别分类,识别准确率受限于人工特征的表达能力。基于此,本文提出了一种基于卷积神经网络的交通标志检测与识别方法。该方法首先采用颜色标准化结合显着性算法对图像进行预处理,有效增加交通标志区域与背景区域的对比度。然后使用最大极值稳定区域算法进行候选区域提取,并根据交通标志的形状特性设定几何约束条件对得到的候选区域进行筛选。最后通过多通路卷积神经网络进行特征提取,利用基于朴素贝叶斯的集成分类器完成最终的识别分类。经实验验证,卷积神经网络的应用可以显着提高识别准确率。道路场景中会出现光照强烈变化以及背景复杂的情况,上述方法在这种情况下完成交通标志检测与识别的方式较为低效。基于这个问题,本文提出了一种基于条件随机场的交通标志检测与识别方法。该方法首先对道路场景图像提取颜色先验特征图与颜色概率特征图,然后通过条件随机场将特征图像进行融合,并在融合图像上进行候选区域提取,最后将提取到的候选区域通过多尺度结构的卷积神经网络进行识别分类。实验结果表明该方法提升了检测识别效果。以上方法,其算法结构尤其是在候选区域提取步骤的设计过于复杂,这就带来了算法耗时过长的问题。针对这个问题,本文提出了基于眼动信息引导与全卷积神经网络的交通标志检测与识别方法,通过眼动信息生成的眼动注视图引导全卷积神经网络的训练,然后利用训练好的全卷积神经网络以“端到端”的方式完成交通标志候选区域分割提取,提高了候选区域提取的效率。最终通过卷积神经网络完成候选区域识别。实验表明,算法在保证有效性的同时提升了算法速度。(本文来源于《西安电子科技大学》期刊2018-06-01）
钟传平[9]（2018）在《基于深度神经网络的微小路标识别技术研究》一文中研究指出路标中包含了道路的路况信息和交通法规信息,是机动车驾驶中不可忽略的一个因素。根据路标进行驾驶能够大大地避免安全事故的发生以及避免交通拥堵。由于在图片中越远的目标看上去越小,所以提高微小路标的识别精度能够使驾驶员提前了解前方路况以便安全驾驶车辆。识别微小路标的难点主要有两个方面:一个方面,由于路标大多都是在室外,会出现光照强度不同、遮挡、形变、残缺等问题,不利于识别;另一方面,由于微小路标在整张图片中所占比例很小,并且所占的像素也很少,这就导致其携带的信息量很少,难以提取比较好的特征,这也会给识别带来难度。本文总结了目前国内外现有的识别微小路标的算法并提出了一个基于深度神经网络的微小路标识别算法。该算法分为两个阶段:第一阶段为检测阶段,本文的算法能够将图片的分辨率信息和上下文信息巧妙地融合进神经网络。通过这个网络能够将输入图片中可能是路标的候选区域提取出来,并且为了避免重复计算,本文提出了一种“Type_AB”的模板选择策略。第二阶段为分类阶段,该阶段的主要任务是对在第一阶段中提取出的候选区域进行分类,本文将Inception V3和Xception进行融合并结合投票技术对候选区域进行分类。最后,本文分析了神经网络的深度对检测小路标的影响,并对本文算法的收敛速度进行了分析。在使用TT100K数据集的前提下,本文提出算法的准确率在(0,400]分辨率范围内比Ren、Zhu、Yan等人提出的算法高,在(96,400]分辨率范围内的召回率也比Ren、Zhu、Yan等提出的算法高,在(32,96]、(0,400]分辨率范围内的召回率低于Yan等提出的算法。并且本文提出的算法在TT100K数据集中能够识别出一些人工都没有标注出的路标。(本文来源于《西南交通大学》期刊2018-05-13）
瞿竟,张金,顾宴行,姚宇青,代月明[10]（2018）在《自平衡车路标识别与行驶控制系统设计》一文中研究指出自平衡车智能、轻巧的特点,成为人们短距离出行的极佳代步工具。针对市面上平衡车性能落后的现状,我们设计了一款以MK60N512VMD100微控制器为核心控制单元,加以CMOS摄像头、陀螺仪、加速度计、光电编码器等构成主驱动模块、避障模块、无线通讯模块,图像处理模块等。运用模糊控制优化后的PID算法对直立车闭环控制,采用了C,Matlab语言结合最短路径算法、电子地图等方法,提出了路况识别、自动驾驶、智能避障等应用于该系统,验证了多项功能是可行的。(本文来源于《中国战略新兴产业》期刊2018年16期）
路标识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
道路交通标志作为道路交通信息的重要表示方式,包含了车道限速提示、车道方向指示器、车道警示提示等道路交通信息,已成为无人驾驶技术不可缺少的组成部分之一。围绕这个问题的研究长期以来都很受欢迎。本文把传统的机器学习以及图像处理技术与深度学习模型相结合,具体工作详情如下:1)对数据集进行预处理操作。在进行深度学习模型的训练时,训练数据集是否具有完备性对后续深度学习网络模型成型有着重要的影响,通过减少道路交通标识数据集图像的噪声以及复杂背景等因素的影响,来得到一个比较完备的数据集,以供后续深度学习模型学习。模糊聚类算法通过引入模糊理论,缓解了原本聚类算法中过于严格的界限划分,而PCM算法在经典的FCM算法基础上降低了对隶属度的要求,从而降低了噪声对算法的影响。在基于核的PCM算法基础上,通过添加类间惩罚项,拉大类间中心距离,降低边界处的模糊数据分类问题,使得图像分割更精确。同时对数据集中数据量较少的类别进行旋转数据增强操作、多色彩空间图像增强操作以及归一化数据集图像大小操作得到一个完备的数据集。通过实验证明,经预处理操作后的数据集与未经处理的原始数据集相比较,在相同的深度学习网络模型上有着较优的识别准确率。2)提出了一种新的网络模型MRESE模型。在深度学习网络模型中,加深网络模型的深度是一种提高识别率的方法,随着计算机性能的增加,网络模型的深度也越来越深,消耗的训练时间也逐渐增加。针对深度学习模型训练耗时问题,MRESE模型结合了Residual Neural Network(ResNet)网络模型结构,一定程度上解决梯度消失或者爆炸问题,同时引入Momenta的团队WMW提出的Squeeze-and-Excitation(SENet)网络模型结构,从特征通道之间的相互关系着手,提升有用特征的学习,在降低网络模型深度从而减少训练所需时间的基础上,保证了网络模型具有较高的准确率。通过在两个不同的数据库,比利时交通标识数据库(BelgiumTSC)小型数据库与德国交通标识标准数据库(GTSRB)大型数据库进行实验,验证了本文提出的网络模型的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
路标识别论文参考文献
[1].李晶,陈思.多移动机器人自主导航路标准确识别方法仿真[J].计算机仿真.2019
[2].何锐波.基于深度学习的路标识别[D].江南大学.2019
[3].陈林.基于深度学习的路标识别系统研究[D].华东师范大学.2019
[4].陈璐媛.无人驾驶的路标识别算法研究[D].浙江科技学院.2019
[5].宋锦博.除草机器人路标识别多模式匹配算法研究——面向中英文混合环境[J].农机化研究.2019
[6].陈柏立,林楠.基于卷积神经网络的交通路标识别[J].计算机与现代化.2018
[7].马一千.圆形路标识别算法的研究[D].内蒙古工业大学.2018
[8].张景滔.基于深度学习的路标检测与识别方法研究[D].西安电子科技大学.2018
[9].钟传平.基于深度神经网络的微小路标识别技术研究[D].西南交通大学.2018
[10].瞿竟,张金,顾宴行,姚宇青,代月明.自平衡车路标识别与行驶控制系统设计[J].中国战略新兴产业.2018
论文知识图
