目录
摘 要 Ⅰ
ABSTRACT Ⅱ
第一章 文献综述 1
1 背景及意义 1
2 国内外现状 1
2.1 国外现状 2
2.2 国内现状 3
第二章 深度学习相关技术及两种算法研究 5
1 卷积神经网络结构 5
1.1 输入层 5
1.2 卷积层 5
1.3 池化层 6
2 目标检测技术 6
2.1 包围框回归 6
2.2 逻辑回归分类 7
2.3 交并化 7
2.4 非极大值抑制 8
3 SSD算法原理 8
3.1 核心理念 9
3.2 网络框架 12
3.3 SSD网络算法流程 12
4 FasterRCNN算法原理 12
4.1 整体框架 12
4.2 FasterRCNN网络结构 14
第三章 基于SSD算法交通标志检测 16
1 交通标志数据集 16
2 实验过程 17
2.1 配置环境 17
2.2 数据处理 17
2.3 训练过程 18
3 实验结果分析 20
3.1 检测评估指标 20
3.2 SSD算法实验结果 21
4 对比分析 23
第四章 结论与展望 25
参考文献 27
致 谢 29
基于CNN的交通标志检测算法研究
摘 要
随着社会经济的快速发展，汽车在家庭工作、社会生活中的作用越来越大，道路上汽车的数量也是逐年上涨，交通压力更是有所加大，为了减缓交通压力，智能交通系统如今已成为交通领域的重点研究对象，辅助驾驶与无人驾驶也将在不久的将来代替人类成为新型交通的“驾驶员”。无人驾驶技术与辅助驾驶系统中必不可少的一项技术便是，交通标志检测，近几年来，在交通标志检测方面，对其的研究有着重大的突破与进展，本文通过对卷积神经网络中两种算法在同一环境配置下对交通标志进行检测的对比 *51今日免费论文网|www.51jrft.com +Q: ^351916072* 
研究，用来提高检测水平，以促进辅助驾驶系统的发展，缓解当下越来越严峻的交通堵塞问题。目前在Tensorflow环境下的卷积神经网络算法纷乱复杂，如：RCNN、FasterRCNN、Yolo系列、SSD等，都对目标检测的研究做出了巨大的贡献，也为交通标志检测系统提供了巨大帮助，增加了自动驾驶汽车出行的安全性，对驾驶员疲劳驾驶起到警示作用，从而减少了出行的财产损失与人员伤亡。本文通过搭建Tensorflow深度学习框架，配置环境，将卷积神经网络中SSD算法与FasterRCNN算法进行比较，比对两者对交通标志检测的精度与速度，从而得到相对精准的结果，使得实验结果达到较好的预期。

原文链接：http://www.jxszl.com/jtgc/jjtys/610108.html