基于CNN的雾霾环境下交通标志的识别

摘要

随着科技的发展，智能驾驶系统越来越接近人们的生活。作为道路上重要的指示信息，交通标志识别的准确与否至为重要。在实际的道路交通中，采集到的图像受到实时天气的影响，存在着光照过强或过弱、模糊等情况；同时由于角度问题，也存在形变、遮挡，这些问题都极大的增加了交通标志识别的难度。本文主要针对雾霾条件下的交通标志的识别进行研究，提出了基于特征复用的卷积神经网络去雾算法，并提出了基于自适应仿射变换网络的交通标志识别网络。 本文在进行去雾算法的改进时，充分理解大气散射模型的基本理论，并对暗通道算法进行了复原以提高对单幅图像去雾过程的理解。通过分析暗通道算法的局限性，例如多次计算下误差的累积，无法适用于大面积天空区域等，提出了一种基于特征复用的卷积神经网络去雾算法。该算法以大气散射模型作为理论基础，通过将有雾图像与无雾图像建立起对应关系，获得更佳的图像去雾效果。在该网络中，特征复用单元将前一层特征重复使用，减少每次卷积操作所需提取的特征数量，并将低层特征与高层特征相结合，提高了对低层特征的表达能力，有效的减小了对网络层数的依赖性。另一方面，由于本算法直接在有雾图像及无雾图像之间建立联系，极大程度的避免了在暗通道算法中由于多次计算出现的误差，并克服了在天空区域的失真现象，使得视觉效果尤为突出。本文所用标准为MPSNR和MSSIM，前者说明了对比原图后去雾图像的峰值信噪比，后者说明了人眼对去雾后的图像的主观感觉。对比四种不同数据集下去雾的实验结果可得，本文所提算法可以有效的对图像进行去雾处理，并且结果清晰。 针对自然场景下拍摄到的交通标志普遍存在的形变的问题，本文提出了一种自适应仿射变换网络。该网络通过提取输入图像的特征，得到所需的仿射变换系数，达到对输入图像自适应仿射变换的目的。本节实验分为两个部分：第一部分使用了比利时交通标志数据集，验证所提自适应仿射变换网络的有效性。在该实验中，使用两组不同的网络进行实验对比，并用精确度、召回率、F1分数和Macro-F1四种不同的评价标准进行了验证说明，本节所提自适应仿射变换网络可以有效的提高识别率，并可以降低对卷积层层数的依赖；第二部分实验则是将已经验证的自适应仿射变换网络与改进后的VGG网络相结合，完成本文所需的交通标志识别模型。在该部分实验中，使用的是德国交通标志数据集GTSRB，将改进后的VGG网络与添加了自适应仿射变换的改进的VGG网络做对比，同样以四种不同的评价标准进行对比。对比实验数据可知，本文所提算法具有良好的识别率与实用性。

目录

声明

1 绪 论

1.1 研究背景及意义

1.2. 图像去雾研究现状

1.2.1 基于图像增强的去雾算法

1.2.2 基于大气散射模型的去雾算法

1.3 交通标志检测与识别研究现状

1.3.1 交通标志检测的现状

1.3.2 交通标志识别研究现状

1.4 本文的主要研究内容

1.5 论文结构安排

2 相关理论基础

2.1 卷积神经网络

2.1.1 卷积层

2.1.2 池化层

2.1.3 全连接层

2.1.4 其他

2.2方向梯度直方图算法HOG +支持向量机SVM

2.2.1 支持向量机SVM

2.2.2 方向梯度直方图算法HOG

2.3 本章小结

3 基于特征复用的图像去雾算法

3.1 引言

3.2 大气散射模型

3.2.1 雾图的光学模型

3.2.2 雾图成像模型

3.3 暗通道先验算法

3.4 特征复用单元FR-unit

3.4.1 传统的卷积操作

3.4.2 特征复用的卷积操作

3.5 改进后的去雾算法

3.5.1 数据集

3.4.2 评价标准

3.4.3 FRhazy_net

3.5 实验结果及分析

3.6 本章小结

4 基于自适应仿射变换的交通标志识别

4.1 引言

4.2 自适应仿射变换

4.2.1 仿射变换

4.2.2 双线性插值

4.2.3 自适应仿射变换网络

4.3 加入自适应仿射变换的卷积分类模型

4.4 自适应仿射变换网络的可行性实验结果与分析

4.4.1 比利时交通标志数据集

4.4.2 评价标准

4.4.3 有效性对比

4.4.4 需求对比

4.5 加入自适应仿射变换网络的ST_VGG

4.5.1 GTSRB数据集

4.5.2 传统的VGG_net

4.5.3 加入了自适应仿射变换网络的VGG

4.5.4 实验结果及分析

4.6 本章小结

5 工作总结与展望

5.1 工作总结

5.2 工作展望

参考文献

攻读硕士学位期间发表的论文及所取得的研究成果

致谢