本文主要研究内容
作者张秀玲,张逞逞,周凯旋（2019）在《基于感兴趣区域的CNN-Squeeze交通标志图像识别》一文中研究指出：在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割ROI并提取HOG特征;然后,利用卷积神经网络(Convolutional Neural Network, CNN)对HOG特征进行过滤、降维,并通过Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与BP网络、SVM及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.
Abstract
zai gong lu jiao tong zhong ,zhen dui fu za huan jing xia jiao tong biao zhi shi bie lv bu gao de wen ti ,di chu le yi chong ji yu Kmeansdui tu xiang ju lei ,qie ge tu xiang gan xing qu ou yu (Regions of Interest, ROI),bing li yong fang xiang ti du zhi fang tu te zheng (Histogram of Oriented Gradient, HOG)yu juan ji yun suan ,te zheng jia quan (CNN-Squeeze)xiang jie ge de jiao tong biao zhi shi bie fang fa .shou xian ,cai yong K-meansdui jiao tong biao zhi tu xiang jin hang san jiao xing 、yuan xing tu xiang er ju lei ,bing li yong zhi zuo de qie ge mo ban qie ge ROIbing di qu HOGte zheng ;ran hou ,li yong juan ji shen jing wang lao (Convolutional Neural Network, CNN)dui HOGte zheng jin hang guo lv 、jiang wei ,bing tong guo Squeezewang lao dui guo lv hou de er ci te zheng jin hang chong yao xing biao ding ;zui hou ,xun lian gai wang lao mo xing bing shi xian dui jiao tong biao zhi de shi bie .fang zhen jie guo biao ming ,yu BPwang lao 、SVMji CNNdui bi ,ben wen fang fa zai bao zheng xun lian shi jian de tong shi ,shi bie jing du da dao 98.58%.
论文参考文献
论文详细介绍
论文作者分别是来自交通运输系统工程与信息的张秀玲,张逞逞,周凯旋，发表于刊物交通运输系统工程与信息2019年03期论文，是一篇关于智能交通论文,感兴趣区域论文,交通标志识别论文,交通运输系统工程与信息2019年03期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自交通运输系统工程与信息2019年03期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。