基于TensorFLow的交通標(biāo)識(shí)智能識(shí)別系統(tǒng)設(shè)計(jì).pdf

1、交通標(biāo)識(shí)識(shí)別系統(tǒng)作為智能駕駛系統(tǒng)的重要組成部分，在先進(jìn)駕駛輔助、交通標(biāo)識(shí)自動(dòng)維護(hù)、無人車自動(dòng)駕駛等多方面具有重要作用，是智能駕駛系統(tǒng)研究的關(guān)鍵和基礎(chǔ)。然而，真實(shí)的道路交通環(huán)境復(fù)雜多變，光照條件、天氣狀況、局部遮擋、視角傾斜、背景色相似干擾等問題使交通標(biāo)識(shí)識(shí)別系統(tǒng)的研究面臨許多困難。
　　本文在總結(jié)交通標(biāo)識(shí)識(shí)別技術(shù)研究現(xiàn)狀的基礎(chǔ)上，分析了現(xiàn)有方法存在的問題，基于TensorFlow框架搭建了改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)，用于識(shí)別交通標(biāo)識(shí)，并對(duì)

2、交通標(biāo)識(shí)識(shí)別上位機(jī)系統(tǒng)進(jìn)行了設(shè)計(jì)和實(shí)現(xiàn)。
　　本文研究?jī)?nèi)容如下:
　　1.針對(duì)交通標(biāo)識(shí)識(shí)別問題，基于TensorFlow框架實(shí)現(xiàn)了一種多尺度特征卷積神經(jīng)網(wǎng)絡(luò)。利用卷積核滑動(dòng)濾波提取特征，通過最大值池化技術(shù)降維，通過調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)中的參數(shù)和使用RELU激活函數(shù)來優(yōu)化網(wǎng)絡(luò)性能，采用Dropout、L2正則化和早停(early stopping)方式來防止過擬合。網(wǎng)絡(luò)模型在GTSRB數(shù)據(jù)集上進(jìn)行測(cè)試，識(shí)別準(zhǔn)確率達(dá)99.26％。

3、>　　2.針對(duì)GTSRB數(shù)據(jù)集數(shù)據(jù)樣本各類數(shù)據(jù)量分布不均衡問題，采用水平垂直鏡像，隨機(jī)旋轉(zhuǎn)和投影變換來增加數(shù)據(jù)集的均衡多樣性。針對(duì)交通標(biāo)識(shí)在不同光照條件下會(huì)產(chǎn)生特征提取干擾的問題，使用改進(jìn)的自適應(yīng)直方圖均衡化方法，對(duì)GTSRB交通標(biāo)識(shí)數(shù)據(jù)集中的數(shù)據(jù)樣本進(jìn)行前期處理。同時(shí)，為了增強(qiáng)系統(tǒng)的安全性，可靠性和靈活性，加快運(yùn)行速度，本文將數(shù)據(jù)預(yù)處理和訓(xùn)練過程都配置到云服務(wù)器上運(yùn)行。
　　3.設(shè)計(jì)了交通標(biāo)識(shí)識(shí)別系統(tǒng)上位機(jī)軟件，上位機(jī)軟件中將卷