隨著人工智能技術的廣泛應用,汽車行業(yè)的研究開發(fā)重點也逐漸轉向具有智能交通系統(tǒng)(Intelligent Transportation System,ITS)的無人駕駛汽車和輔助駕駛汽車。而交通標志識別系統(tǒng)(Tranffic Sign Recognition,TSR)作為ITS中不可或缺的一環(huán),其重要程度不言而喻。在實際道路中,交通標志被車載攝像頭捕捉到的圖片或視頻往往是以小目標的形式出現(xiàn)的,這時TSR的交通標志識別精度和檢測速度還有一定的提升空間。本文在現(xiàn)有研究的基礎上,做了以下工作: (1)基于YOLOv8n模型進行針對交通標志小目標的改進。針對交通標志小目標在YOLOv8n模型上的識別準確率會受到影響的問題,本文提出了一種基于交通標志小目標的檢測與識別方法FLA-YOLOv8n(Traffic Sign Detection And Recognition YOLOv8n),在YOLOv8n模型的頸部引入聚焦線性注意力機制、檢測頭部分增加160x160尺度的小目標檢測層,并引入WIo U損失函數(shù),改進后的模型針對小目標交通標志的檢測和識別,準確率和精度都得到一定提升。同時本文為了得到規(guī)模...

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 傳統(tǒng)交通標志檢測與識別方法
        1.2.2 基于深度學習的交通標志檢測與識別方法
    1.3 本文主要研究內容
    1.4 本文組織結構
    1.5 本章小結
第2章 交通標志檢測與識別理論基礎
    2.1 人工神經網絡
    2.2 卷積神經網絡
        2.2.1 卷積層
        2.2.2 池化層
        2.2.3 全連接層
    2.3 基于深度學習的目標檢測算法
        2.3.1 兩階段目標檢測算法
        2.3.2 單階段目標檢測算法
    2.4 交通標志數(shù)據(jù)集
    2.5 交通標志檢測與識別評價指標
    2.6 本章小結
第3章 基于注意力機制的交通標志小目標的檢測識別方法
    3.1 YOLOv8n 模型
    3.2 網絡模型與算法流程
        3.2.1 聚焦線性注意力機制
        3.2.2 小目標檢測層
        3.2.3 WIoU損失函數(shù)
    3.3 實驗
        3.3.1 數(shù)據(jù)集的處理
        3.3.2 實驗環(huán)境和參數(shù)設置
        3.3.3 實驗設計與分析
        3.3.4 實驗結果與分析
    3.4 本章小結
第4章 輕量化 FLA-YOLOv8n 交通標志檢測與識別方法
    4.1 輕量化模塊設計
        4.1.1 輕量化模塊
        4.1.2 C2f_Rep Ghost 模塊
    4.2 網絡模型與算法流程
    4.3 實驗
        4.3.1 實驗環(huán)境和數(shù)據(jù)集
        4.3.2 實驗設計與分析
        4.3.3 實驗結果與分析
    4.4 本章小結
第5章 結論與展望
    5.1 結論
    5.2 展望
參考文獻



本文編號：4019460