关于改进的不变矩用于图像识别的方法，采用神经网络识别器

在实际交通环境中, 所采集到的交通标志图像质量往往受到运动模糊、背景干扰、天气条件以及拍摄视角等因素的影响, 这对交通标志自动识别的准确性、实时性和稳健性提出了很大的挑战。为此提出了改进深度卷积神经网络AlexNet的分类识别算法模型, 该模型在传统AlexNet模型基础上, 以真实场景中拍摄的交通标志图像数据集GTSRB为研究对象, 将所有卷积层的卷积核修改为3×3大小, 为了预防和减少过拟合的出现在两个全连接层后加入dropout层, 并且为了提高交通标志识别精度, 在网络模型第5层后增加两

交通标志识别在驾驶辅助系统和交通安全方面发挥着重要作用。卷积神经网络在计算机视觉任务上取得了重大的突破,并在交通标志检测与识别方面取得了巨大的成功。然而,现有的识别方法通常达不到实时识别的效果。因此,提出一种改进卷积神经网络交通标志识别方法,通过加入初始模块,扩展网络结构和提出新的损失函数等多种方法来解决原始模型不擅于检测小目标的问题。在德国交通标志数据集上的仿真结果表明,与现有技术相比,提出的方法能够获得更高的检测速率,每张图片的处理时间仅为0.015 s。

交通标志检测是智能辅助驾驶的重要内容，能够准确分析前方道路信息并定位交通标志具体位置，为后续交通标志的识别提供依据，降低交通事故发生的概率。为解决采集图像模糊、目标检测精度低等问题，提出了一种基于改进区域建议网络（RPN）的检测模型，该模型采用Retinex图像增强算法和中值滤波算法对采集图像进行预处理，并将处理后的图像依次送入卷积神经网络和RPN网络，获得感兴趣目标的具体位置参数，实现交通标志的检测。相同条件下与传统算法进行实验对比，文中算法对不同大小的交通标志检测有较高的检测率，能够达到97