基于改进YOLOv5的交通标志识别模型

针对交通标志识别任务中存在识别精度低、检测速度慢等问题,提出了一种基于改进YOLOv5的交通标志识别模型。首先使用轻量型网络Shufflenetv2替换YOLOv5主干网络提高模型检测速度;然后采用BiFPN作为Neck层中的特征融合结构,实现多尺度融合;最后使用K-means算法重新获取模型初始锚框值。实验结果表明,改进后的网络模型识别精度优于原始YOLOv5,提高了对交通标志的识别效果。     

基于模板匹配和神经网络的交通标志识别研究

提出一种基于模板匹配和神经网络相结合的交通标志识别方法。改方法集成了模板匹配的识别交通标志和神经网络识别交通标志的优点。可有效的提高识别的准确率,识别速度和识别的泛化能力。     

基于改进网中网神经网络的交通标志识别

针对在实际交通环境中交通标志识别中提高识别准确率和降低计算成本需求,文中提出一种基于网中网(Network in Network,NIN)神经网络的交通标志识别算法。相比卷积神经网络模型,NIN模型增加了MLP结构,并使用全局均值池化层替代全连接层,同时使用ELU函数代替Re LU修正单元。在德国交通标志数据集(GTSRB)进行分类识别研究。研究结果表明,算法在GTSRB基准数据集上获得98. 31%以上的识别准确率,同时能够有效地解决过拟合和梯度弥散等问题,文中算法有一定的先进性和鲁棒性。     

应用深层卷积神经网络的交通标志识别

在实际交通环境中,由于运动模糊、背景干扰、天气条件以及拍摄视角等因素,所采集的交通标志的图像质量往往不高,这就对交通标志自动识别的准确性、鲁棒性和实时性提出了很高的要求。针对这一情况,提出一种基于深层卷积神经网络的交通标志识别方法。该方法采用深层卷积神经网络的有监督学习模型,直接将采集的交通标志图像经二值化后作为输入,通过卷积和池采样的多层处理,来模拟人脑感知视觉信号的层次结构,自动地提取交通标志图像的特征,最后再利用一个全连接的网络实现交通标志的识别。实验结果表明,该方法利用卷积神经网络的深度学习能力,自动地提取交通标志的特征,避免了传统的人工特征提取,有效地提高了交通标志识别的效率,具有良好的泛化能力和适应范围。     

基于改进YOLOv4的交通标志识别方法

文中提出了一种基于改进YOLOv4的交通标志识别方法,用于解决当前在交通标志识别任务中基于深度学习方法实时性较差、准确度较低的问题。在原版YOLOv4网络架构的基础上,使用原始的Darknet残差层替代了CSPDarknet53的CSP阶段,并对YOLOv4的PAN体系进行了CSP化,降低了运算量。用改进后的YOLOv4算法进行交通标志的特征提取,经过迁移学习对模型进行调整后实现了道路环境下交通标志的识别。为了测试改进算法的性能,在TT100K交通标志数据集上进行相关识别任务实验。实验结果表明,该算法的平均水平精度值（m AP）达到了86%,相较于原版YOLOv4算法提升了2.6%,每秒帧数（FPS）相较于原版YOLOv4算法提升了4.1。改进算法在检测精度和检测速度上较原版算法均有一定的提升。     

基于改进卷积神经网络的交通标志识别方法

针对智能交通系统中小尺度交通标志识别率低的问题,文中提出一种改进卷积神经网络的交通标志识别方法。该方法通过在Faster R-CNN算法的低层特征图上增加优化的RPN网络,提升了小尺度交通标志的检测率。该方法还利用Max Pooling方法实了现图像的局部细节特征与全局语义特征充分融合。在TT-100K数据集上稍微实验结果表明新方法可以明显提高小尺度交通标志的识别率。     

基于卷积神经网络的交通标志ROI提取与识别

道路交通标志在指导安全出行方面起了重要作用,随着智能交通的发展,交通标志识别越来越受到重视.不同光照、雾气下的复杂自然场景(如树林、建筑物)对交通标志识别干扰较大,为减少这些无关干扰因素所带来的识别率不高的问题,提出了一种语义分割网络与分类网络级联的交通标志识别方法.语义分割网络由UNet改进得到,利用了交通标志与背景...     

基于ROI和CNN的交通标志识别研究

交通标志的图像在采集过程中由于运动模糊、背景干扰、光照以及交通标志局部遮挡破损等因素,所获得其图像质量往往不高,严重影响了识别率和识别速度。针对这一问题,采用改进的深度卷积神经网络进行识别,通过对采集到的图像进行光照均衡化处理、颜色增强、用MSER算法进行滤除后,分割出交通标志所在的感兴趣区域(ROI);然后把分割的感兴趣区域输入深度卷积神经网络进行一系列的卷积和池化处理,形成交通标志图像的特征子图,再将特征子图转化成为一维的特征矢量;最后通过一个全连接的BP网络完成一维特征矢量的分类识别,输出结果。在德国交通标志基准库(GTSDB)和现实场景拍摄的数据集上,将该方法与SVM方法和传统的CNN交通标志识别方法进行实验比较,结果表明与SVM和传统CNN的方法相比,基于ROI和卷积神经网络的交通标志识别方法在识别率和识别速度上有明显的提高。     

基于TensorFlow的交通标志形状识别

利用TensorFlow,设计实现了基于颜色分割和形状的交通标志形状识别模型。该模型首先利用交通标志本身的特点,使用HIS颜色空间对交通标志进行分割,接着在TensorFlow平台上实现ResNet算法,利用比利时交通数据集进行训练和测试,最终得到了有较高识别率的模型。     

基于多尺度卷积神经网络的交通标志识别方法

为解决交通标志目标易受复杂环境影响且呈现多尺度分布,造成识别精度低的问题,构建一种多尺度卷积神经网络模型。针对不同尺寸输入设计相应的网络结构,提取目标特征,实现对不同尺寸目标的识别,再加权融合各子网络结果得到最终识别结果,实现多尺度目标识别。经实验验证分析,提出算法模型在小尺寸目标、较小尺寸目标、中尺寸目标、大尺寸目标上识别率分别达到99.12%,99.24%,99.41%,99.35%,保障了多尺度输入目标识别的鲁棒性,综合识别率可以达到99.31%,验证了算法在平衡实时性及准确率的基础上,具有一定的实用价值。     

基于改进YOLOV4模型的交通标志识别研究

为了解决目前高清街景图像中定位和分类交通标志任务时,出现的图像目标背景复杂,小目标不易识别等一系列问题,提出了一种基于YOLOV4模型改进的交通标志识别新算法.首先,在原骨干网络中嵌入新型注意力机制CA模块,形成一对方向感知和位置敏感的注意力图,使网络能够在更大区域内聚焦有效特征;其次,在颈部特征增强网络处添加适量的增...     

基于深度学习的交通标志识别算法研究

智能交通和自动驾驶成为当下研究的热点问题,而交通标志识别是其中必不可少的一项关键性技术,当下急需一种准确、高效的交通标志识别方法。针对以上问题,文中构建了一种基于深度学习的交通标志识别模型TSR_Lenet;同时由于基于深度学习的模型在训练过程中存在收敛速度慢、容易收敛到局部最优的问题,将Momentum加速学习的优点与RMSProp抑制训练过早结束的优势相融合,使得构建模型的过程更加快速、高效。实验结果表明,所提出的基于深度学习的交通标志识模型TSR_Lenet,具有自动学习的能力和训练模型周期短的优点,并且准确性高,鲁棒性好,具有良好的泛化能力。     

基于深度学习的交通标志检测

随着我国的汽车保有量速增长,自动驾驶的技术开始兴起,而交通标志检测是自动驾驶当中的一个重要的构成部分.交通标志的检测往往会受到光线变化、道路天气、摄像机角度等等因素的干扰,而且交通标志的数据集通常包含大量的小对象数据,这些问题已经成为交通标志检测领域中的难题.文章使用结合Darknet53的YOLOv3网络,增加对于小...     

基于改进YOLOv5卷积神经网络的SAR图像目标识别

提出一种改进YOLOv5网络,并将其用于SAR图像目标识别。为了优化网络性能,文中进行了三个方面的改进：使用宽度比和高度比作为标注框之间的距离度量,并采用k-means聚类方法生成先验锚点框,作为预测框优化时的框尺寸初始值;改进框回归损失函数,引入Scylla交并比来代替竞争性交并比,以提高对密集分布目标的定位精度;改进置信度损失函数,使用焦点损失来替代二元交叉熵,以提高在复杂背景下的目标识别精度。基于MSAR数据集,选择了YOLOv3、常规YOLOv5作为对比网络,进行了大量的SAR图像目标识别实验。实验结果表明,相比两种对比网络,改进YOLOv5网络对各种目标均具有更高的识别准确率、召回率和F1值,以及更高的综合指标平均精度值和平均精度均值。     

基于改进VGG16网络的混合批量训练交通标志识别

针对现有交通标志识别方法存在的识别率低、识别时间长等缺点,文中在卷积神经网络的基础上提出了一种基于VGG16网络模型的改进卷积神经网络模型.对VGG16网络模型的卷积层数量、卷积核和池化层进行修改,增强网络模型的特征提取能力和精简性.通过随机旋转、伸缩、偏移和对比度调整等方法对实验数据集进行数据增强,并通过激活函数、混...     

基于神经网络的水果识别系统设计

人工智能的时代给我们的日常生活带来了极大便利,水果作为生活中的必要品,每天食用适量的水果可以补充维生素C,对我们的身体健康十分有益,有关于对水果识别的研究就显得十分必要。在对水果进行识别时,通过针对不同水果的形状、大小、颜色、纹理等特征进行分析,根据训练BP神经网络达到对水果准确识别的目的。