检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

交通标志识别方法综述

计算机工程与应用 2020年第10期56卷 20-26页

作者：伍晓晖田启川北京建筑大学电气与信息工程学院北京100044 北京建筑大学建筑大数据智能处理方法研究北京市重点实验室北京100044

交通标志识别对于车辆安全行驶具有重要作用,特别是针对存在光照变化和遮挡的情况,准确性高、实时性好的交通标志自动识别亟需解决。对交通标志的检测和交通标志的识别分别进行了综述,给出了它们的原理、步骤、特点和性能,以及进行算法... 详细信息

交通标志识别对于车辆安全行驶具有重要作用,特别是针对存在光照变化和遮挡的情况,准确性高、实时性好的交通标志自动识别亟需解决。对交通标志的检测和交通标志的识别分别进行了综述,给出了它们的原理、步骤、特点和性能,以及进行算法研究常用的交通标志数据库。相比于传统的特征检测和识别方法,采用深度学习有助于解决光照变化、部分遮挡等情况下的交通标志识别难题,是今后自动驾驶和无人驾驶性能提升的主要途径。

关键词：交通标志检测交通标志识别深度学习

交通标志识别的对抗攻击和防御技术研究与实现

在线全文

学校读者我要写书评

暂无评论

交通标志识别的对抗攻击和防御技术研究与实现

作者：王涛西南大学

学位级别：硕士

交通标志识别是计算机图像处理的一个重要的研究领域,具有广泛的应用价值,因为交通标志可以为驾驶者提供重要的道路信息,如速度限制、禁止通行、指示方向等,所以准确地识别交通标志对于保障行车安全和提高交通效率至关重要。在过去的几... 详细信息

交通标志识别是计算机图像处理的一个重要的研究领域,具有广泛的应用价值,因为交通标志可以为驾驶者提供重要的道路信息,如速度限制、禁止通行、指示方向等,所以准确地识别交通标志对于保障行车安全和提高交通效率至关重要。在过去的几年中,随着深度学习技术的兴起,交通标志识别领域也取得了长足的发展,尤其是基于深度神经网络的交通标志识别技术在智能交通管理等领域得到了广泛应用。但是以对抗攻击为代表的各种攻击手段也给交通标志识别算法和系统带来了越来越多的安全风险。对抗攻击是指攻击者在原始输入数据中按照攻击算法添加不易区分的微小扰动从而形成对抗样本,对抗样本具有误识率高、隐蔽性强等特点。在以对抗样本做为输入的情况下,识别模型将输出错误的分类结果,而这种错误的结果发生在自动驾驶领域将会造成巨大的安全隐患。本文旨在研究交通标志识别系统中的对抗攻击和防御技术,为交通标志识别系统的安全性和可靠性提供保障。为了研究交通标志识别领域的对抗攻击与防御方法,本文将Res Net50网络与CBAM混合注意力机制相结合,构建了Res Net50＿CB交通标志识别模型,研究和分析了对交通标志识别模型的白盒对抗攻击技术,最后研究并改进了基于FGSM对抗训练的对抗攻击防御方法,提升了交通标志识别模型对于FGSM攻击的防御能力,具体的研究内容如下:(1)设计并训练Res Net50＿CB交通标志识别模型。首先选择中国交通标志数据集(CTSRD)并将其重建为一个包含35个类别的新数据集,然后使用数据增强技术对数据集进行处理。然后构建了CBAM混合注意力机制与Res Net50网络结合的交通标志识别模型,并在新数据集(CTSRD＿35)上实现了96.89%的识别率,对比原Res Net50模型,识别率提升了2.06%。(2)对交通标志识别模型的白盒对抗攻击进行研究与分析。针对交通标志识别模型及其数据集实施了各种类型的白盒对抗攻击,实现了基于梯度优化的快速梯度下降(FGSM)攻击,基于决策边界分析的深度愚弄算法(Deep Foo L)攻击和可见性极高的(Adversarial Patch)攻击。分析了不同攻击方式在不同情况下对整体数据集的攻击效果,以及实现了基于直接优化的C&W攻击。(3)使用对抗训练方法训练Resnet50＿CB网络提升其防御FGSM对抗攻击的能力。本文使用了FGSM对抗训练方法、改进的Random-FGSM对抗训练方法和PGD对抗训练方法来训练识别模型Resnet50＿CB。其中改进的Random-FGSM对抗学习方法可以增加训练过程中FGSM攻击产生的对抗样本的丰富度,使得训练后的模型在面对FGSM对抗攻击时,识别率较原始FGSM对抗训练方法提高约2.59%。(4)开发了交通标志识别和对抗攻击算法相结合的可视化工具,可以实时地识别交通标志并生成对抗样本。

关键词：深度神经网络交通标志识别注意力机制白盒对抗攻击对抗训练

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向开放场景的交通标志识别方法

深圳大学学报（理工版） 2023年第3期40卷 258-265页

作者：曹伟朋吴宇豪李大川明仲陈贞儒叶璇人工智能与数字经济广东省实验室(深圳) 广东深圳518107 南方科技大学斯发基斯可信自主系统研究院广东深圳518055

基于传统深度学习技术实现的道路交通标志识别系统通常遵从完全数据驱动模式,导致它们在真实世界的开放场景中存在性能不稳定和极大的安全隐患.为缓解该问题,提出一种基于道路交通标志设计标准的语义数据集构建方法,并利用零样本学习机... 详细信息

基于传统深度学习技术实现的道路交通标志识别系统通常遵从完全数据驱动模式,导致它们在真实世界的开放场景中存在性能不稳定和极大的安全隐患.为缓解该问题,提出一种基于道路交通标志设计标准的语义数据集构建方法,并利用零样本学习机制设计一个通用的具备推理能力和可解释性的道路交通标志识别框架,其能够有效应对实践中面临的道路交通标志的动态更新和类别缺失问题.利用国家道路交通标志制定标准来抽象出所有类别的通用属性,并将这些属性信息作为领域知识注入传统数据驱动模型的训练过程中.在领域知识的帮助下,所提基于零样本学习的交通标志识别方法能够比随机预测和传统深度学习模型更准确地识别出训练阶段未见过的交通标志.在中国交通标志数据库(Chinese traffic sign database,CTSDB)和德国交通标志识别基准数据集(German traffic sign recognition benchmark,GTSRB)上的实验结果表明,采用所提方法进行训练后,语义自编码模型在传统零样本学习的设定下,对于训练阶段未曾见过的交通标志的识别准确率分别比随机预测提升了至少29.96%和24.25%.

关键词：人工智能交通标志识别零样本学习开放场景自动驾驶深度学习辅助驾驶

基于CA-ASFF-YOLOv4的交通标志识别研究

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2023年第17期59卷 169-177页

作者：冷坤秦伦明王悉上海电力大学电子与信息工程学院上海201306 北京交通大学电子信息工程学院北京100044

交通标志识别是智能交通系统的核心技术。针对实际情况下,交通标志总体目标小且呈现多尺度分布、图像背景复杂,造成识别精度低的问题,提出了一种基于改进YOLOv4模型的交通标志识别算法CA-ASFF-YOLOv4。算法去除用于检测大目标的深度特征... 详细信息

交通标志识别是智能交通系统的核心技术。针对实际情况下,交通标志总体目标小且呈现多尺度分布、图像背景复杂,造成识别精度低的问题,提出了一种基于改进YOLOv4模型的交通标志识别算法CA-ASFF-YOLOv4。算法去除用于检测大目标的深度特征层,引入高分辨率特征层,并在各个特征层后添加注意力机制CA模块,有效加强了主干网络对小目标的特征提取。在颈部网络使用自适应特征融合ASFF代替原有的路径聚合网络PAnet,通过优化特征融合解决目标尺度多变的问题。减少残差块的堆叠,抑制背景重复叠加,提高复杂背景下的检测精度。实验结果表明,CA-ASFF-YOLOv4在TT100K交通标志数据集上的mAP@0.5达到了91.47%,比YOLOv4提升了9个百分点,显著提高了实际应用场合中交通标志的检测精度。

关键词：交通标志识别 YOLOv4 注意力机制自适应特征融合

在线全文

学校读者我要写书评

暂无评论

交通标志识别技术在无人驾驶中的应用研究

交通标志识别技术在无人驾驶中的应用研究

作者：冷雪华大连交通大学

学位级别：硕士

无人驾驶是智能车辆领域的重要研究热点之一,而交通标志识别是无人驾驶的关键环节。本文针对禁令、警告和指示三类交通标志,共分为15种,分别运用支持向量机和卷积神经网络的方法对交通标志的识别进行研究,通过训练得到交通标志识别模型... 详细信息

无人驾驶是智能车辆领域的重要研究热点之一,而交通标志识别是无人驾驶的关键环节。本文针对禁令、警告和指示三类交通标志,共分为15种,分别运用支持向量机和卷积神经网络的方法对交通标志的识别进行研究,通过训练得到交通标志识别模型,并设计实现了交通标志识别系统。本文的主要工作内容如下:1.对交通标志图像进行预处理、分割以及定位。首先采用灰度化、直方图均衡化、滤波对交通标志进行预处理,然后选择基于Lab颜色空间k均值聚类法对其分割,最后基于三类交通标志的形状特征完成交通标志的定位。2.实现了基于特征串行融合和支持向量机的交通标志识别。分别提取交通标志的HOG特征和Gist特征,通过串行融合的方式将两种特征组合在一起,利用SVM训练得到交通标志识别模型。该模型的平均识别正确率为85.3%。3.实现了基于卷积神经网络微调的交通标志识别。微调ResNet50网络模型,使其输出节点对应15种交通标志,重新训练最后一层,得到交通标志识别模型。该模型的平均识别正确率为94.4%。4.无人驾驶中的交通标志识别系统的设计与实现。该系统实现了交通标志的预处理、分割和定位及识别等功能。本文给出了系统的运行结果,在此基础上分析了系统的优缺点。

关键词：无人驾驶交通标志识别支持向量机卷积神经网络

基于YOLOv5的雾霾天气下交通标志识别模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机应用 2022年第9期42卷 2876-2884页

作者：尹靖涵瞿绍军姚泽楷胡玄烨秦晓雨华璞靖湖南师范大学信息科学与工程学院长沙410081 湖南师范大学湘江人工智能学院长沙410081

针对雾霾、雨雪等恶劣天气下小型交通标志识别精度低、漏检严重的问题,提出一种基于YOLOv5的雾霾天气下交通标志识别模型。首先,对YOLOv5的结构进行优化,采用逆向思维,通过削减特征金字塔深度、限制最高下采样倍数来解决小目标难以识别... 详细信息

针对雾霾、雨雪等恶劣天气下小型交通标志识别精度低、漏检严重的问题,提出一种基于YOLOv5的雾霾天气下交通标志识别模型。首先,对YOLOv5的结构进行优化,采用逆向思维,通过削减特征金字塔深度、限制最高下采样倍数来解决小目标难以识别的问题,并通过调整残差模块的特征传递深度来抑制背景特征的重复叠加;其次,引入数据增强、K-means先验框、全局非极大值抑制(GNMS)等机制到模型;最后,在中国交通标志数据集TT100K上验证改进YOLOv5模型在面对恶劣天气时的检测能力,并对精度下降最显著的雾霾天气下的交通标志识别展开了重点研究。实验结果表明,改进YOLOv5模型的F1-score达0.92150,平均精度均值@0.5(mAP@0.5)达95.3%,平均精度均值@0.5:0.95(mAP@0.5:0.95)达75.2%,且所提模型在恶劣天气下仍能进行交通标志的高精度识别,每秒检测帧数(FPS)达到50,满足实时检测的需求。

关键词：深度学习目标检测 YOLOv5 特征金字塔雾霾天气交通标志识别

在线全文

学校读者我要写书评

暂无评论

交通标志识别系统算法研究与设计

交通标志识别系统算法研究与设计

作者：刘亚辰武汉理工大学

学位级别：硕士

交通标志识别系统是车联网中汽车与环境进行交互的一个关键系统,是计算机视觉领域的一大应用。对于交通标志识别系统算法的研究也能够为人脸识别、行人检测等其他相关的领域的发展做出贡献。而在检测和识别的实际应用当中速度和准确率... 详细信息

交通标志识别系统是车联网中汽车与环境进行交互的一个关键系统,是计算机视觉领域的一大应用。对于交通标志识别系统算法的研究也能够为人脸识别、行人检测等其他相关的领域的发展做出贡献。而在检测和识别的实际应用当中速度和准确率成为限制其使用的一个关键因素,因此本文对复杂环境下的交通标志检测和识别系统进行研究,提出了新的交通标志检测和识别算法。本文首先对交通标志检测和识别的相关理论进行研究,详细阐述了交通标志特征提取和机器学习两个方面的内容,然后把交通标志识别系统划分为检测和识别两个部分,针对复杂环境下的交通标志识别困难的问题,分别对两个部分的算法做出了设计和创新,并对其进行实验分析。在交通标志检测阶段:1)针对图像模糊,对比度较低等问题,使用了限制对比度直方图均衡化的方法对图像进行增强。2)针对各种图像特征效果不一的问题,选取了积分通道特征的改进算法聚合通道特征对交通标志进行特征提取。3)在检测的后处理阶段,本文使用非极大值抑制的方法对检测到的多个窗口进行融合,从而得到比较准确的检测结果,同时运用了快速特征金字塔的方法加快了检测速度,实验从召回率与查准率曲线来说明本算法的有效性。在交通标志的识别阶段:1)由于对于特征的提取有着更高的要求,所以本文提出了一种空间塔式算子,该算子首先提取了了空间塔式词袋特征来对图像的外观和颜色信息进行描述,同时提取了塔式边缘方向梯度直方图特征来对图像的边缘轮廓信息进行描述,由于两种特征都具有空间表达的能力,所以提取到的特征能够对图像特征的空间分布状况进行详细的表述,得到的融合式空间塔式直方图特征具有极强的鲁棒性和特征表达能力。2)在支持向量机选型问题上,本文采用了对于图像直方图类特征分类较强的直方图交叉核支持向量机对提取到的特征进行训练和分类,实验表明本算法在识别速度和准确率上都达到了不错的效果。

关键词：交通标志检测交通标志识别聚合通道特征塔式词袋直方图特征直方图交叉核支持向量机

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于全维动态卷积的交通标志识别

计算机工程与应用 2023年

作者：李文举于杰沙利业崔柳杨红喆上海应用技术大学计算机科学与信息工程学院上海普利森配料系统有限公司

针对现有交通标志识别算法对于小目标和遮挡目标的识别精度不高，且识别速度较慢的问题，通过改进YOLOv5网络，设计一种基于全维动态卷积（ODConv）的交通标志识别算法。首先，将主干网络中的部分卷积替换为全维动态卷积，以便在特征提... 详细信息

针对现有交通标志识别算法对于小目标和遮挡目标的识别精度不高，且识别速度较慢的问题，通过改进YOLOv5网络，设计一种基于全维动态卷积（ODConv）的交通标志识别算法。首先，将主干网络中的部分卷积替换为全维动态卷积，以便在特征提取过程中获取更丰富的信息，提高网络对小目标的敏感度；其次，为了减少上采样过程中信息的丢失，在特征融合网络中使用亚像素卷积模块替换原有的最近邻插值上采样模块，并使用高效层聚合模块替换原有的跨阶段层次模块，提高特征融合效率，延长梯度最短路径，改善小目标检测效果；最后，使用SIoU函数计算回归损失，解决真实框与预测框之间方向不匹配的问题，进一步提高对道路交通标志的检测精度。在TT100K数据集上测试本模型，平均精度（mAP@0.5）达到了93.85%，召回率（Recall）达到了90.73%，与基准网络YOLOv5n相比分别提高了3.90%和5.69%，帧处理速度达到89.29。

关键词：交通标志识别 YOLOv5 全维动态卷积亚像素卷积模块高效层聚合模块

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于多源特征增强的交通标志识别方法

北京交通大学学报 2023年第4期47卷 73-80页

作者：顾阳四兵锋北京交通大学交通运输学院北京100044

针对现实场景中交通标志识别在照明不佳环境下和应对扭曲、旋转、平移等空间变化时准确率较低的问题,在优化亮度、对比度特征的基础上结合图像的空间位置信息,提出一个新颖的基于多源特征增强的交通标志识别方法.首先设计亮度与对比度... 详细信息

针对现实场景中交通标志识别在照明不佳环境下和应对扭曲、旋转、平移等空间变化时准确率较低的问题,在优化亮度、对比度特征的基础上结合图像的空间位置信息,提出一个新颖的基于多源特征增强的交通标志识别方法.首先设计亮度与对比度增强模块以凸显低照度图像的特征信息,降低低照度图像识别难度.然后结合空间转换单元构建轻量化特征处理网络,通过弱化图像携带的无关信息聚焦数据中的感兴趣区域,有效分离背景噪声的同时也改善了输入数据的空间不变性.最后主分类网络对图像特征图进行细粒度的识别并输出预测的类别标签.实验结果表明:本文提出的模型在公开基准数据集GTSRB上的准确率达到99.52%,能有效解决交通标志现实场景下识别率较低的问题.

关键词：智能交通交通标志识别深度学习多源特征图像分类