版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志檢測基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志檢測1.論文目錄及整體框架數(shù)值仿真?zhèn)鞑ツP驼撐目蚣苷撐慕Y(jié)論致謝目錄134625穩(wěn)定性分析圖像預(yù)處理研究背景及意義論文框架網(wǎng)絡(luò)訓(xùn)練及測試結(jié)果分析及致謝目錄1462/135交通標(biāo)志及卷積網(wǎng)絡(luò)介紹231.論文目錄及整體框架數(shù)值仿真?zhèn)鞑ツP驼撐目蚣苷撐慕Y(jié)論致謝2.1研究的背景及存在的問題 隨著科學(xué)技術(shù)的快速發(fā)展,智能交通及無人駕駛的出現(xiàn)已經(jīng)成為了不可避免的趨勢。擋在智能交通進(jìn)入人類生活上的一道難題便是交通標(biāo)志的檢測與識別。對于交通標(biāo)志識別,前人已做了很多的研究并取得了一定的研究成果。而標(biāo)志的檢測仍存在很大的提升空間,需要我們在現(xiàn)有算法的基礎(chǔ)不斷改進(jìn),也迫切需要新算法的提出。 如何提高在復(fù)雜的真實(shí)場景中交通標(biāo)志的準(zhǔn)確檢測,如何提高檢測分割、特征提取、分類算法的處理速度,如何使得所采用的技術(shù)以及開發(fā)的系統(tǒng)具有廣泛的適用性與實(shí)際使用價(jià)值等,成為許多交通標(biāo)志檢測研究領(lǐng)域急需解決的問題2.1研究的背景及存在的問題 隨著科學(xué)技術(shù)的快速發(fā)展,智2.2系統(tǒng)研究的意義(1)它是駕駛輔助系統(tǒng)及無人駕駛智能車的不可缺少的一部分。
實(shí)時(shí)交通標(biāo)志檢測系統(tǒng)通過對行駛過程中前方道路出現(xiàn)的交通標(biāo)志圖像進(jìn)行及時(shí)采集和準(zhǔn)確檢測,然后把檢測結(jié)果通過視頻或者語音方式傳遞給司機(jī)以輔助駕駛,以達(dá)到自動駕駛的目的(2)有利于交通管理部門對交通標(biāo)志的管理和維護(hù)。 通過對比檢測出的交通標(biāo)志和標(biāo)準(zhǔn)交通標(biāo)志庫,交通部門可以有效地對發(fā)生損壞的標(biāo)志進(jìn)行修復(fù),節(jié)省了大量的人力和時(shí)間。
2.2系統(tǒng)研究的意義(1)它是駕駛輔助系統(tǒng)及無人駕駛智能車2.3本論文的解決方案針對檢測過程中的路標(biāo)模糊及背景復(fù)雜等不同的干擾因素,本論文采用深度學(xué)習(xí)方法中的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),大量的訓(xùn)練數(shù)據(jù)樣本充分包含了各種環(huán)境下的路標(biāo),同時(shí)網(wǎng)絡(luò)訓(xùn)練時(shí)采用較多的循環(huán)次數(shù),讓網(wǎng)絡(luò)學(xué)會各種路標(biāo)結(jié)構(gòu)的特征信息。針對多目標(biāo)及干擾物過多的圖像,我們采用選擇搜索算法,從而能很好的分割出包含路標(biāo)的區(qū)域。在路標(biāo)訓(xùn)練圖像的預(yù)處理階段,我們對各類圖像采用彩色圖像直方圖均衡化,很大程度上減弱了光照及陰影對路標(biāo)識別過程中的干擾。2.3本論文的解決方案針對檢測過程中的路標(biāo)模糊及背景復(fù)雜等3.1基本交通標(biāo)志的介紹本文檢測的交通標(biāo)志主要分為三大類:警告標(biāo)志:警告司機(jī)、車輛及行人要小心危險(xiǎn)目標(biāo)的標(biāo)志。它們的形狀為等邊三角形,顏色大多為黃底、黑邊、黑圖案;禁令標(biāo)志:為環(huán)境中的某種限制因素而對車輛司機(jī)加以禁止的標(biāo)志。禁令標(biāo)志的顏色一般為白底,紅圈,紅杠,黑圖案;指示標(biāo)志:用以規(guī)定車輛和行人的行駛方向集地點(diǎn)。形狀可分為長方形、圓形和正方形,顏色大多為藍(lán)底、白圖案。3.1基本交通標(biāo)志的介紹本文檢測的交通標(biāo)志主要分為三大類:3.2卷積神經(jīng)網(wǎng)絡(luò)的介紹(1)卷積神經(jīng)網(wǎng)絡(luò)(CNN)是由一個結(jié)構(gòu)化的BP網(wǎng)絡(luò)復(fù)雜化而來的,通過共享權(quán)值和結(jié)構(gòu)重組,卷積計(jì)算等將特征提取功能融合進(jìn)多層感知機(jī),CNN具有三個顯著特征:(1)局域感受野是指每一網(wǎng)絡(luò)層的神經(jīng)元只與上一層的一個小鄰域內(nèi)的神經(jīng)元連接,通過局域感受野,神經(jīng)元可以提取初級的視覺特征;(2)權(quán)值共享是指同一個特征圖中的神經(jīng)元共用相同的權(quán)值,使得卷積神經(jīng)網(wǎng)絡(luò)具有更少的參數(shù);(3)次采樣可以減少了特征圖的分辨率,從而減少對位移,縮放和扭曲的敏感度;3.2卷積神經(jīng)網(wǎng)絡(luò)的介紹(1)卷積神經(jīng)網(wǎng)絡(luò)(CNN)是由一3.2卷積神經(jīng)網(wǎng)絡(luò)的介紹(2)卷積神經(jīng)網(wǎng)絡(luò)主要分為輸入層,卷積層,采樣層及全連接層inputlayer;convolutionlayer;subsamplinglayer;fullconnectionlayer;3.2卷積神經(jīng)網(wǎng)絡(luò)的介紹(2)卷積神經(jīng)網(wǎng)絡(luò)主要分為輸入層,4交通標(biāo)志的預(yù)處理網(wǎng)絡(luò)訓(xùn)練及檢測時(shí)的圖像數(shù)據(jù)都需要一定的大小及格式,這樣才能充分利用卷積神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)準(zhǔn)確率更高的路標(biāo)檢測。預(yù)處理部分主要包括圖像分割,圖像大小歸一化及彩色圖像直方圖均衡化,基本流程如圖所示:4交通標(biāo)志的預(yù)處理網(wǎng)絡(luò)訓(xùn)練及檢測時(shí)的圖像數(shù)據(jù)都需要一定的4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型
數(shù)值仿真穩(wěn)態(tài)分析論文結(jié)論致謝論文框架原始圖像
10/13數(shù)值仿真S(t)βS(t)I(t)γI(t)4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型數(shù)4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型
數(shù)值仿真圖像分割論文結(jié)論致謝論文框架原始圖像
11/13數(shù)值仿真S(t)βS(t)I(t)γI(t)得到初始化的小區(qū)域計(jì)算相鄰區(qū)域的相似度把相似度最高的區(qū)域合并,然后再重新計(jì)算合并區(qū)域和相鄰區(qū)域的相似度反復(fù)循環(huán)這些步驟,直到整個圖片被當(dāng)成一個單獨(dú)的區(qū)域4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型數(shù)4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型
數(shù)值仿真圖像分割論文結(jié)論致謝論文框架原始圖像
12/13數(shù)值仿真S(t)βS(t)I(t)γI(t)分割得到的圖像,特征性的選了5張4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型數(shù)4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型
數(shù)值仿真穩(wěn)態(tài)分析致謝論文框架原始圖像
13/13大小歸一化S(t)βS(t)I(t)γI(t)這里將分割后的圖像歸一化為48*48大小的圖像4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型數(shù)4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型
數(shù)值仿真穩(wěn)態(tài)分析直方圖均衡化致謝論文框架原始圖像
14/13S(t)βS(t)I(t)γI(t)由于原始圖像為彩色圖像,這里直方圖均衡化時(shí)是將原始圖像RGB三通道分別均衡化,然后再合并Src=imread(‘picture’);R=histeq(;,;,1);G=histeq(;,;,2);B=histeq(;,;,3);Newpicture=cat(3,R,G,B);4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型數(shù)5.1網(wǎng)絡(luò)的結(jié)構(gòu)采用的網(wǎng)絡(luò)結(jié)構(gòu)如上所示,共有9層。5.1網(wǎng)絡(luò)的結(jié)構(gòu)采用的網(wǎng)絡(luò)結(jié)構(gòu)如上所示,共有9層。5.1網(wǎng)絡(luò)的結(jié)構(gòu)每層的作用,核函數(shù)及map大小和數(shù)量如上表所示layertypemaps&neronskernel0input1mapof48*48neurons1convolutional100mapsof46*46neurons3*32maxpooling100mapsof32*32neurons2*23convolutional150mapsof20*20neurons4*44maxpooling150mapsof10*10neurons2*25convolutional250mapsof8*8neurons3*36maxpooling250mapsof4*4neurons2*27fullyconnected200neurons8fullyconnected2neurons5.1網(wǎng)絡(luò)的結(jié)構(gòu)每層的作用,核函數(shù)及map大小和數(shù)量如上5.2網(wǎng)絡(luò)訓(xùn)練的參數(shù)網(wǎng)絡(luò)訓(xùn)練的具體參數(shù)如下:train_net:"traffic_detection_totxt"test_net:"traffic_detection_totxt"test_iter:100test_interval:5000base_lr:0.01weight_decay:0.0005display:100max_iter:30000snapshot:5000snapshot_prefix:"traffic"solver_mode:15.2網(wǎng)絡(luò)訓(xùn)練的參數(shù)網(wǎng)絡(luò)訓(xùn)練的具體參數(shù)如下:5.3網(wǎng)絡(luò)訓(xùn)練及測試的流程圖網(wǎng)絡(luò)訓(xùn)練的結(jié)構(gòu)圖5.3網(wǎng)絡(luò)訓(xùn)練及測試的流程圖網(wǎng)絡(luò)訓(xùn)練的5.3網(wǎng)絡(luò)訓(xùn)練及測試的流程圖網(wǎng)絡(luò)測試的結(jié)構(gòu)圖5.3網(wǎng)絡(luò)訓(xùn)練及測試的流程圖網(wǎng)絡(luò)測試的網(wǎng)絡(luò)訓(xùn)練一正樣本:39209標(biāo)簽:1GTSCB(all)負(fù)樣本:23296標(biāo)簽:0GTSDB(從1-10張圖片中截取的負(fù)樣本)batch:100epoch:30000每5000epoch保存一下訓(xùn)練過程中得到的參數(shù)時(shí)間:27小時(shí)網(wǎng)絡(luò)訓(xùn)練一正樣本:39209標(biāo)簽:1GTSCB檢測結(jié)果一檢測圖片1:分割為1184個小塊,其中背景1180個,路標(biāo)圖像3個背景路標(biāo)背景9751路標(biāo)2053由以上結(jié)果表明,網(wǎng)絡(luò)的檢測結(jié)果虛警率為17.37%,明顯太高。對照著那些本為負(fù)樣本而檢測為正樣本的圖片發(fā)現(xiàn),大多偏向黑色路標(biāo)的負(fù)樣本都誤檢測為正樣本檢測結(jié)果一檢測圖片1:分割為1184個小塊,其中背景1180網(wǎng)路訓(xùn)練二鑒于上次的討論分析,這次最主要的改變是對所有樣本進(jìn)行彩色圖像直方圖均衡化。正樣本:39210標(biāo)簽:1GTSCB(all)負(fù)樣本:37115標(biāo)簽:0GTSDB(從1-100中提取的負(fù)樣本,且過濾掉selective提取的圖片中尺寸大于200的圖片)batch:100epoch:40000時(shí)間:28小時(shí)網(wǎng)路訓(xùn)練二鑒于上次的討論分析,這次最主要的改變是對所檢測結(jié)果二共獲得了1184個小圖像,其中背景圖像有1180個,路標(biāo)圖像有4個背景路標(biāo)背景11621路標(biāo)183結(jié)果表明:網(wǎng)絡(luò)的檢測結(jié)果虛警率為1.52%,已經(jīng)提高了很多。但同時(shí)有一個正樣本被誤檢測為背景圖像,對照著檢測圖像庫中的這張圖像發(fā)現(xiàn)。原來是選擇搜索算法分割時(shí),這張圖像由于輪廓受周圍環(huán)境干擾太大,分割后路標(biāo)的輪廓沒有被包含進(jìn)去,失真比較大,所以檢測錯誤。檢測結(jié)果二共獲得了1184個小圖像,其中背景圖像有1180個6.1結(jié)果分析對比訓(xùn)練一和訓(xùn)練二,彩色圖像直方圖均衡化以后,虛警率會明顯降低,說明圖像中彩色及亮度特征會包含很大信息量。測試二中4個路標(biāo)圖像中始終有一個路標(biāo)漏檢了。發(fā)現(xiàn)選擇搜索算法分割時(shí),路標(biāo)的圓形輪廓沒有完全的被分割出來。這說明兩個問題,一是我們訓(xùn)練的網(wǎng)絡(luò)確實(shí)學(xué)到了一些特征信息,至少樣本輪廓是學(xué)到了;二是訓(xùn)練之前的圖像分割特別重要,分割的好壞會直接影響后來的訓(xùn)練及測試結(jié)果。6.1結(jié)果分析通過結(jié)果發(fā)現(xiàn),該方法的虛警率仍比較高,這成為將此結(jié)果應(yīng)用到智能駕駛上一個很大的阻礙。本檢測的輸出結(jié)果只是顯示圖片中是否存在路標(biāo),沒有給出路標(biāo)存在的ROI,是本論文的一大不足。之后我也會在此基礎(chǔ)上繼續(xù)改進(jìn),把路標(biāo)具體的ROI可視化出來。6.2本論文的不足與后續(xù)工作通過結(jié)果發(fā)現(xiàn),該方法的虛警率仍比較高,這成為將此結(jié)果應(yīng)用到智大學(xué)本科的學(xué)習(xí)生活即將結(jié)束。在此,我要感謝所有曾經(jīng)教導(dǎo)過我的老師和關(guān)心過我的同學(xué),他們在我成長過程中給予了我很大的幫助。本文能夠順利完成,要特別感謝我的導(dǎo)師齊老師,同時(shí)感謝各位答辯老師的批評和寶貴意見。最后向所有關(guān)心和幫助過我的人表示真心的感謝。6.3致謝大學(xué)本科的學(xué)習(xí)生活即將結(jié)束。在此,我要感謝所有曾經(jīng)教導(dǎo)過我的基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志檢測26p課件基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志檢測26p課件基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志檢測26p課件基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志檢測26p課件基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志檢測26p課件基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志檢測基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志檢測1.論文目錄及整體框架數(shù)值仿真?zhèn)鞑ツP驼撐目蚣苷撐慕Y(jié)論致謝目錄134625穩(wěn)定性分析圖像預(yù)處理研究背景及意義論文框架網(wǎng)絡(luò)訓(xùn)練及測試結(jié)果分析及致謝目錄14633/135交通標(biāo)志及卷積網(wǎng)絡(luò)介紹231.論文目錄及整體框架數(shù)值仿真?zhèn)鞑ツP驼撐目蚣苷撐慕Y(jié)論致謝2.1研究的背景及存在的問題 隨著科學(xué)技術(shù)的快速發(fā)展,智能交通及無人駕駛的出現(xiàn)已經(jīng)成為了不可避免的趨勢。擋在智能交通進(jìn)入人類生活上的一道難題便是交通標(biāo)志的檢測與識別。對于交通標(biāo)志識別,前人已做了很多的研究并取得了一定的研究成果。而標(biāo)志的檢測仍存在很大的提升空間,需要我們在現(xiàn)有算法的基礎(chǔ)不斷改進(jìn),也迫切需要新算法的提出。 如何提高在復(fù)雜的真實(shí)場景中交通標(biāo)志的準(zhǔn)確檢測,如何提高檢測分割、特征提取、分類算法的處理速度,如何使得所采用的技術(shù)以及開發(fā)的系統(tǒng)具有廣泛的適用性與實(shí)際使用價(jià)值等,成為許多交通標(biāo)志檢測研究領(lǐng)域急需解決的問題2.1研究的背景及存在的問題 隨著科學(xué)技術(shù)的快速發(fā)展,智2.2系統(tǒng)研究的意義(1)它是駕駛輔助系統(tǒng)及無人駕駛智能車的不可缺少的一部分。
實(shí)時(shí)交通標(biāo)志檢測系統(tǒng)通過對行駛過程中前方道路出現(xiàn)的交通標(biāo)志圖像進(jìn)行及時(shí)采集和準(zhǔn)確檢測,然后把檢測結(jié)果通過視頻或者語音方式傳遞給司機(jī)以輔助駕駛,以達(dá)到自動駕駛的目的(2)有利于交通管理部門對交通標(biāo)志的管理和維護(hù)。 通過對比檢測出的交通標(biāo)志和標(biāo)準(zhǔn)交通標(biāo)志庫,交通部門可以有效地對發(fā)生損壞的標(biāo)志進(jìn)行修復(fù),節(jié)省了大量的人力和時(shí)間。
2.2系統(tǒng)研究的意義(1)它是駕駛輔助系統(tǒng)及無人駕駛智能車2.3本論文的解決方案針對檢測過程中的路標(biāo)模糊及背景復(fù)雜等不同的干擾因素,本論文采用深度學(xué)習(xí)方法中的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),大量的訓(xùn)練數(shù)據(jù)樣本充分包含了各種環(huán)境下的路標(biāo),同時(shí)網(wǎng)絡(luò)訓(xùn)練時(shí)采用較多的循環(huán)次數(shù),讓網(wǎng)絡(luò)學(xué)會各種路標(biāo)結(jié)構(gòu)的特征信息。針對多目標(biāo)及干擾物過多的圖像,我們采用選擇搜索算法,從而能很好的分割出包含路標(biāo)的區(qū)域。在路標(biāo)訓(xùn)練圖像的預(yù)處理階段,我們對各類圖像采用彩色圖像直方圖均衡化,很大程度上減弱了光照及陰影對路標(biāo)識別過程中的干擾。2.3本論文的解決方案針對檢測過程中的路標(biāo)模糊及背景復(fù)雜等3.1基本交通標(biāo)志的介紹本文檢測的交通標(biāo)志主要分為三大類:警告標(biāo)志:警告司機(jī)、車輛及行人要小心危險(xiǎn)目標(biāo)的標(biāo)志。它們的形狀為等邊三角形,顏色大多為黃底、黑邊、黑圖案;禁令標(biāo)志:為環(huán)境中的某種限制因素而對車輛司機(jī)加以禁止的標(biāo)志。禁令標(biāo)志的顏色一般為白底,紅圈,紅杠,黑圖案;指示標(biāo)志:用以規(guī)定車輛和行人的行駛方向集地點(diǎn)。形狀可分為長方形、圓形和正方形,顏色大多為藍(lán)底、白圖案。3.1基本交通標(biāo)志的介紹本文檢測的交通標(biāo)志主要分為三大類:3.2卷積神經(jīng)網(wǎng)絡(luò)的介紹(1)卷積神經(jīng)網(wǎng)絡(luò)(CNN)是由一個結(jié)構(gòu)化的BP網(wǎng)絡(luò)復(fù)雜化而來的,通過共享權(quán)值和結(jié)構(gòu)重組,卷積計(jì)算等將特征提取功能融合進(jìn)多層感知機(jī),CNN具有三個顯著特征:(1)局域感受野是指每一網(wǎng)絡(luò)層的神經(jīng)元只與上一層的一個小鄰域內(nèi)的神經(jīng)元連接,通過局域感受野,神經(jīng)元可以提取初級的視覺特征;(2)權(quán)值共享是指同一個特征圖中的神經(jīng)元共用相同的權(quán)值,使得卷積神經(jīng)網(wǎng)絡(luò)具有更少的參數(shù);(3)次采樣可以減少了特征圖的分辨率,從而減少對位移,縮放和扭曲的敏感度;3.2卷積神經(jīng)網(wǎng)絡(luò)的介紹(1)卷積神經(jīng)網(wǎng)絡(luò)(CNN)是由一3.2卷積神經(jīng)網(wǎng)絡(luò)的介紹(2)卷積神經(jīng)網(wǎng)絡(luò)主要分為輸入層,卷積層,采樣層及全連接層inputlayer;convolutionlayer;subsamplinglayer;fullconnectionlayer;3.2卷積神經(jīng)網(wǎng)絡(luò)的介紹(2)卷積神經(jīng)網(wǎng)絡(luò)主要分為輸入層,4交通標(biāo)志的預(yù)處理網(wǎng)絡(luò)訓(xùn)練及檢測時(shí)的圖像數(shù)據(jù)都需要一定的大小及格式,這樣才能充分利用卷積神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)準(zhǔn)確率更高的路標(biāo)檢測。預(yù)處理部分主要包括圖像分割,圖像大小歸一化及彩色圖像直方圖均衡化,基本流程如圖所示:4交通標(biāo)志的預(yù)處理網(wǎng)絡(luò)訓(xùn)練及檢測時(shí)的圖像數(shù)據(jù)都需要一定的4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型
數(shù)值仿真穩(wěn)態(tài)分析論文結(jié)論致謝論文框架原始圖像
41/13數(shù)值仿真S(t)βS(t)I(t)γI(t)4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型數(shù)4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型
數(shù)值仿真圖像分割論文結(jié)論致謝論文框架原始圖像
42/13數(shù)值仿真S(t)βS(t)I(t)γI(t)得到初始化的小區(qū)域計(jì)算相鄰區(qū)域的相似度把相似度最高的區(qū)域合并,然后再重新計(jì)算合并區(qū)域和相鄰區(qū)域的相似度反復(fù)循環(huán)這些步驟,直到整個圖片被當(dāng)成一個單獨(dú)的區(qū)域4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型數(shù)4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型
數(shù)值仿真圖像分割論文結(jié)論致謝論文框架原始圖像
43/13數(shù)值仿真S(t)βS(t)I(t)γI(t)分割得到的圖像,特征性的選了5張4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型數(shù)4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型
數(shù)值仿真穩(wěn)態(tài)分析致謝論文框架原始圖像
44/13大小歸一化S(t)βS(t)I(t)γI(t)這里將分割后的圖像歸一化為48*48大小的圖像4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型數(shù)4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型
數(shù)值仿真穩(wěn)態(tài)分析直方圖均衡化致謝論文框架原始圖像
45/13S(t)βS(t)I(t)γI(t)由于原始圖像為彩色圖像,這里直方圖均衡化時(shí)是將原始圖像RGB三通道分別均衡化,然后再合并Src=imread(‘picture’);R=histeq(;,;,1);G=histeq(;,;,2);B=histeq(;,;,3);Newpicture=cat(3,R,G,B);4交通標(biāo)志的預(yù)處理穩(wěn)態(tài)分析論文結(jié)論致謝論文框架傳播模型數(shù)5.1網(wǎng)絡(luò)的結(jié)構(gòu)采用的網(wǎng)絡(luò)結(jié)構(gòu)如上所示,共有9層。5.1網(wǎng)絡(luò)的結(jié)構(gòu)采用的網(wǎng)絡(luò)結(jié)構(gòu)如上所示,共有9層。5.1網(wǎng)絡(luò)的結(jié)構(gòu)每層的作用,核函數(shù)及map大小和數(shù)量如上表所示layertypemaps&neronskernel0input1mapof48*48neurons1convolutional100mapsof46*46neurons3*32maxpooling100mapsof32*32neurons2*23convolutional150mapsof20*20neurons4*44maxpooling150mapsof10*10neurons2*25convolutional250mapsof8*8neurons3*36maxpooling250mapsof4*4neurons2*27fullyconnected200neurons8fullyconnected2neurons5.1網(wǎng)絡(luò)的結(jié)構(gòu)每層的作用,核函數(shù)及map大小和數(shù)量如上5.2網(wǎng)絡(luò)訓(xùn)練的參數(shù)網(wǎng)絡(luò)訓(xùn)練的具體參數(shù)如下:train_net:"traffic_detection_totxt"test_net:"traffic_detection_totxt"test_iter:100test_interval:5000base_lr:0.01weight_decay:0.0005display:100max_iter:30000snapshot:5000snapshot_prefix:"traffic"solver_mode:15.2網(wǎng)絡(luò)訓(xùn)練的參數(shù)網(wǎng)絡(luò)訓(xùn)練的具體參數(shù)如下:5.3網(wǎng)絡(luò)訓(xùn)練及測試的流程圖網(wǎng)絡(luò)訓(xùn)練的結(jié)構(gòu)圖5.3網(wǎng)絡(luò)訓(xùn)練及測試的流程圖網(wǎng)絡(luò)訓(xùn)練的5.3網(wǎng)絡(luò)訓(xùn)練及測試的流程圖網(wǎng)絡(luò)測試的結(jié)構(gòu)圖5.3網(wǎng)絡(luò)訓(xùn)練及測試的流程圖網(wǎng)絡(luò)測試的網(wǎng)絡(luò)訓(xùn)練一正樣本:39209標(biāo)簽:1GTSCB(all)負(fù)樣本:23296標(biāo)簽:0GTSDB(從1-10張圖片中截取的負(fù)樣本)batch:100epoch:30000每5000epoch保存一下訓(xùn)練過程中得到的參數(shù)時(shí)間:27小時(shí)網(wǎng)絡(luò)訓(xùn)練一正樣本:39209標(biāo)簽:1GTSCB檢測結(jié)果一檢測圖片1:分割為1184個小塊,其中背景1180個,路標(biāo)圖像3個背景路標(biāo)背景9751路標(biāo)2053由以上結(jié)果表明,網(wǎng)絡(luò)的檢測結(jié)果虛警率為17.37%,明顯太高。對照著那些本為負(fù)樣本而檢測為正樣本的圖片發(fā)現(xiàn),大多偏向黑色路標(biāo)的負(fù)樣本都誤檢測為正樣本檢測結(jié)果一檢測圖片1:分割為1184個小塊,其中背景1180網(wǎng)路訓(xùn)練二鑒于上次的討論分析,這次最主要的改變是對所有樣本進(jìn)行彩色圖像直方圖均衡化。正樣本:39210
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 2024年節(jié)日裝飾燈飾工程合同3篇
- 服裝行業(yè)購房合同樣板
- 商業(yè)大廈地塊租賃合同
- 旅游業(yè)發(fā)展支持辦法
- 化工項(xiàng)目招投標(biāo)違規(guī)處理辦法
- 2024年跨境電商項(xiàng)目股權(quán)融資及市場開拓合作協(xié)議書3篇
- 醫(yī)療器械企業(yè)市場推廣費(fèi)用分析
- 藥品安全風(fēng)險(xiǎn)監(jiān)測程序
- 環(huán)保行業(yè)收入管理辦法
- 2025版生物質(zhì)能項(xiàng)目結(jié)算合同規(guī)范文本3篇
- T∕CAME 1-2019 家庭式產(chǎn)房建設(shè)標(biāo)準(zhǔn)
- 江淮4DC1發(fā)動機(jī)檢測報(bào)告
- 10kV架空線路工程初步設(shè)計(jì)說明書模板
- ABC法則新培訓(xùn)課件PPT課件
- 配電箱設(shè)備供貨方案
- 鍋爐汽包水位控制系統(tǒng)設(shè)計(jì)[1]
- 政務(wù)禮儀培訓(xùn)課件(PPT66頁)rar
- 汽車維修應(yīng)急救援預(yù)案及處理措施方案
- 甲醇工藝流程圖
- 片石擋土墻砌筑施工方案及工藝方法
- 分析刑法中認(rèn)識因素和意志因素的關(guān)系
評論
0/150
提交評論