基于卷积神经网络的交通标志识别研究开题报告

全文总字数：1923字

1. 研究目的与意义

随着互联网技术、智能终端以及社交网络的快速发展，图片作为一种不受语言和地区限制的传播媒介，逐步的取代了复杂的文字，慢慢成为了现阶段信息交互的主要载体，实现了更直观的信息交互方式。因此，为将这些丰富的图像资源利用起来，图像识别技术越来越受到人们重视。通俗的说，图像识别技术就是让机器能够像人一样通过眼睛就能理解图像的内容所包含的意义。图像识别技术的产生，使得一种更快的获取知识信息的渠道被打开了，机器产生了一种新的与外部世界进行智能化交流的方式，使得信息处理更加便捷快速。与此同时，人工神经网络作为图像识别的有效识别方法，是近年来的热点研究领域。其在目标识别[1]、物体检测[2]、地理图像分析[3]以及场景识别[4]等等方面都有越来越广泛的应用。

其中，交通标志识别就具有直接的现实应用。例如驾驶员辅助和安全，城市场景理解，自动驾驶，甚至对维护标志的监控，都需要对周边的交通标志进行识别反应。但是，对于路标含义的精准把握相对是一个受限的问题,人们时常会因为光线问题、反应不及、或者雾天、雨天甚至是路标破损等等问题而造成驾驶的操作失误。因此，安全可靠地的交通识别系统越来越受到驾驶员的追捧。GTSRB数据集提供了多种外力因素下交通路标的图片,比如理解偏差、阳光刺眼、动态模糊、物理伤害、颜色褪色、涂鸦等等不可控因素造成的标志失真。基于这套数据集，我们致力于交通标志的识别技术，力求能够给驾驶系统传输一些重要的道路指示信息，提高道路行驶的安全性，为后续的无人驾驶技术做出贡献。

2. 国内外研究现状分析

深度学习是在最近才风靡起来的人工智能领域的技术。在许多领域都有其身影。其中包括人脸识别、图像处理、自然语言处理、机器视觉等。现阶段深度学习的模型基本上是基于神经网络的。对于神经网络的发展历史则要追述到 20 世纪中期，主要思想是模拟人脑的工作原理，解决类似于图像识别等机器学习的问题。2006 年，geoffrey hinton[5]提出了深度学习的概念。在这之后，其在诸多的领域都得到了巨大的成功，并且收到了各类研究人员的广泛关注。2012 年，hinton 的研究小组采用了深度学习的技术赢得了 imagenet 图像分类的比赛[6]。这个比赛在当今的图像识别领域是非常有影响力也是有极高含金量的比赛之一。该比赛的特点就是输入图片的样本容量极大，而 hinton的研究小组以超过第二名 10%以上的正确率摘得桂冠，这一壮举引起了科学应用界对深度学习的广泛热潮。

在这之后不久，处于世界前列的互联网巨头 google 以及 baidu 都发布了一种基于图像内容的搜索引擎。他们利用了 hinton 在比赛中用到的深度学习模型，应用他们自己的数据上，发现取得了非常好的效果，图像识别率得到了显著的提高。baidu 在 2012 年就创立了深度学习研究院，并且在 2014 年在美国硅谷成立了新的深度学习实验室。2014 年，google 以 4 亿美金的间隔收购了一家深度学习的初创公司 deepmind。facebook 也早在 2013 年在纽约成立了自己的深度学习实验室，并聘请了 yannlecun（卷积网络的发明人）作为首席科学家。

交通标志检测与识别的研究始于上世纪70年代，但是由于当时计算机移动能力和运算性能等等技术的限制，此项技术的发展一直较于慢。自上世纪80年代开始，很多国家都取得了不错的实际应用成果。多年来各国对交通标志识别系统的研究付出大量的人力和财力，也相应的取得了一系列成功，产生了许多关于图像处理，图像分割以及识别算法领域的理论。如日本面向21实际交通管理系统，美国卡内基梅隆大学研制的navlab i-navlab ii系统，意大利parma大学研究的argo汽车[7]、还有我国清华大学何克忠教授研究的清华thmr-v智能车等等，都配有道路交通标志识别系统。我国最具代表性的是由国防科技大学等单位合作研制的自主驾驶智能车红旗hq3，该车能够灵活随机变动姿态，实时快速处理引导信息，并且能够根据路况信息实时变更驾驶速度和路线，已经完成了从武汉到长沙268公里高速全程无人试验。

3. 研究的基本内容与计划

本课题主要研究内容分为以下几个部分：

1.研究卷积神经网络在图像识别当中具体应用

2.总结分析cnn在特征表示方面的多种变体

4. 研究创新点

总结分析CNN在特征表示方面的多种变体，探究多阶段特征融合对模型泛化的有效性