一種基于深度學(xué)習(xí)的交通標(biāo)志識別算法研究

一種基于深度學(xué)習(xí)的交通標(biāo)志識別算法研究來越廣泛，交通標(biāo)志的自動識得越來越重要。本論文提出了一種基于深度學(xué)習(xí)的交通標(biāo)志識別算法，該算法結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)進(jìn)行交通標(biāo)志的自動識別。，通過卷積神經(jīng)網(wǎng)絡(luò)提取特征，然后使用支持向量機(jī)進(jìn)行分類。實學(xué)習(xí)，卷積神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)，交通標(biāo)志識別頻率也在不斷增加。其中一種方法是通過交通標(biāo)志來提高道路交通安全。在現(xiàn)代交通中，交通成為環(huán)保的標(biāo)志性技術(shù)，使得駕駛員能更容易地注意到各種交通信息。然而，識別交通標(biāo)志是一項繁瑣的任務(wù)，每年都會有許多傳統(tǒng)方法使用手工制作的圖像特征和分類器來進(jìn)行交通標(biāo)志的識別，達(dá)到70％。近年來，深度學(xué)習(xí)技發(fā)展已經(jīng)引起了越來越多的關(guān)注，是一種能夠快速有效地處理大量一種基于卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的交通標(biāo)志識別算法使用卷積神經(jīng)網(wǎng)絡(luò)提取特征，并在該特征的基礎(chǔ)上使用支持和形狀特征進(jìn)行交通標(biāo)志識別的方法[1]，并且可以得到較高的識法與這些算法相似，都是使用支u基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識別方法，并通過改進(jìn)卷積神經(jīng)網(wǎng)He使用了深度學(xué)習(xí)技術(shù)對交通標(biāo)志對不同的深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行了比較[4]，并獲得了很高的分類不同的顏色和形狀組成的，并且每個標(biāo)志都有獨(dú)特的TSRB不同形態(tài)、顏色、光照等因素下的交通標(biāo)志，可以進(jìn)行有效的算卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)相結(jié)合的方法，其算法流程取經(jīng)過訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)來提取預(yù)處理圖像的特征。這些特征可以將圖像的信息壓縮為更小的向量，同時保留圖像的主要信息。神經(jīng)網(wǎng)絡(luò)可以有效地提取感興趣的特征，從而更容易區(qū)分不同取的特征映射到分類器中進(jìn)行分類。在本文中，使用支持向量類器。支持向量機(jī)是一種通用的分類器，它將訓(xùn)練樣本映射到中，然后在該空間中對數(shù)據(jù)進(jìn)行分類。經(jīng)過訓(xùn)練的支持向量機(jī)實驗驗設(shè)置h驗結(jié)果在總體準(zhǔn)確性方面，本文提出的算法取得了較高的成功率(約為98％)，同時也獲得了較高的F1分?jǐn)?shù)(約為0.98)，表明該算法具有較高的精度F1分?jǐn)?shù)|0.9788|0.9803|一種基于卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的交通標(biāo)志識別算實驗結(jié)果表明，該算法在交通標(biāo)志識別方面具有很高的準(zhǔn)確性和魯。本算法可以用于智能交通和智能駕駛等領(lǐng)域，為提高交通安全作出貢獻(xiàn)。未來工作將集中于策略調(diào)整，以進(jìn)一步提高算法的性能和精度。MayeAGeorgescuBCostacheSandNedevschiS(2011)ImageProcessingpp1–82.doi:10.1007/s11554-011-0188-6.gnndRecognitionUsingMultipleFeaturesandSVMsIEEETransactionsonIntelligentTransportationSystems,15(6),pp.2690–2699.doi:10.1109/TITS.2014.2361918.ZhuYWangJFangXChenYandGong,Y.(2016)DeepConvolutionalNeuralNetworks’,IEEETransactionsonIntelligent09/TITS.2015.2503549.omparativeStudyofDeepLearningModelsforTrafficSignRecognitionIEEETransactionsonInte