基于SVM和CNN的交通标志识别方法开题报告

1. 研究目的与意义（文献综述）

随着社会经济和科学技术的不断发展，各类交通工具的不断普及，人们对交通管理的要求不断增强，各类智能交通系统已成为解决这些问题的主要途径。交通标志识别作为这类系统运行的基础，在确保识别准确下，方可以保障系统运行正常，由此，对于交通标志的识别方法研究已提上日程。

近年来，对交通标志的识别方法多种多样，其中较为常见的就是利用cnn与svm相关技术进行识别。相较于单一的机器学习svm与单一的cnn技术，基于svm和cnn的交通标志识别方法因其识别准确率高、训练速度快等特点，已逐渐成为应用最广泛的方案。

目前，国内外关于基于svm和cnn的交通标志识别方法的研究已有所成效，上文所提及的几种识别方法已有过较为详细的理论分析。例如，支持向量机(svm）的识别方法早在1963年就由attbell实验室提出，并在之后数十年不断改进，从基于软边界可调参数c的c-svm到简化参数的v-svm再到提升支持向量机抗噪性等改进。现如今，改进后的各式各样的支持向量机方案云集，这些方案都使得支持向量机的应用范围越来越广泛。

2. 研究的基本内容与方案

2.1研究内容和目标

研究的基本内容。本设计将学习基于svm的图像特征分类算法、基于cnn的图像特征识别算法、svm与cnn技术的混合运用，然后学习利用相关设计进行仿真测试，并测算出理论效果。此外应争取进行实际测试并与仿真结果对比，进一步优化算法。

研究目标。计划完成cnn模块与svm模块的理论设计，尝试软件仿真验证效果，并进行实际测试，完成过程记录与结果分析，撰写论文与报告。

3. 研究计划与安排

第1-3周查阅相关文献资料，明确研究内容，了解基于svm和cnn的交通标志识别方法的国内外的实现方案，弄清工作原理，完成开题报告。

第4-7周进一步阅读相关文献，确定系统框架，明确设计要点，分别实现cnn模块与svm模块的功能。

第8-10周根据系统的工作流程进行分模块仿真，测试设计方法的可行性，获得仿真结果与理论的对比。

4. 参考文献（12篇以上）

[1]丁博，王水凡.基于混合预测模型的交通标志识别方法[j]，哈尔滨理工大学学报，2019，24（5）：108-115.

[2]刘亚辰，陈跃鹏，张赛硕，等.融合式空间塔式算子和hik-svm的交通标志识别研究[j].交通运输系统工程与信息，2017，17（1）：220.

[3]丁然.支持向量机多类分类算法研究[d].哈尔滨：哈尔滨理工大学，2012：44.