基于感兴趣区域的CNN-Squeeze交通标志图像识别

论文摘要

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于Kmeans对图像聚类,切割图像感兴趣区域（Regions of Interest, ROI）,并利用方向梯度直方图特征（Histogram of Oriented Gradient, HOG）与卷积运算,特征加权（CNN-Squeeze）相结合的交通标志识别方法.首先,采用K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割ROI并提取HOG特征;然后,利用卷积神经网络（Convolutional Neural Network, CNN）对HOG特征进行过滤、降维,并通过Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与BP网络、SVM及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.

论文目录

• 0 引言
• 1 基于K-means提取感兴趣区域
•   1.1 基于K-means交通图像二聚类
•   1.2 建立切割模板
•   1.3 利用切割模板提取感兴趣区域
• 2 CNN-Squeeze网络模型设计
•   2.1 CNN设计
•   2.2 CNN-Squeeze网络设计
• 3 基于CNN-Squeeze交通标志图像识别仿真
•   3.1 仿真研究与分析
•   3.2 研究仿真对比
• 4 结论

文章来源

类型: 期刊论文

作者: 张秀玲,张逞逞,周凯旋

关键词: 智能交通,感兴趣区域,交通标志识别

来源: 交通运输系统工程与信息 2019年03期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 汽车工业,计算机软件及计算机应用

单位: 燕山大学河北省工业计算机控制工程重点实验室,燕山大学国家冷轧板带装备及工艺工程技术研究中心

基金: 河北省自然科学基金(E2015203354),河北省教育厅科学研究计划河北省高等学校自然科学研究重点项目(ZD2016100),2016年燕山大学基础研究专项(理工类)培育课题(16LGY015)~~

分类号: TP391.41;U463.6

DOI: 10.16097/j.cnki.1009-6744.2019.03.008

页码: 48-53

总页数: 6

文件大小: 1477K

下载量: 275