<div>
	基于卷积神经网络的交通标志识别算法
</div>

doi:10.15966/j.cnki.dnydx.2022.07.020

全文: PDF(0 KB)
输出: BibTeX | EndNote (RIS)

摘要

交通标志识别是智能驾驶的关键技术，要满足识别准确率高和识别速度快的要求。为了提升交通标志的识别准

确率和识别速度，提出基于卷积神经网络的交通标志识别算法，设计了一种准确率高、速度快的识别模型用于交通标志识别。

该模型使用了改进的Inception模块以及多尺度特征融合方式增强网络的特征提取能力，采用批量归一化来加速网络的训练，

采用全局平均池化减小模型的参数量。在GTSRB数据集上进行训练测试，识别模型的准确率达到99.6%，识别每张图片的时

间为0.22ms ，实验结果表明识别模型的识别准确率高，识别速度快。通过自对比实验，验证了识别模型的结构优势。与其他交

通标志识别方法在GTSRB数据集上进行对比实验，识别模型的识别性能优于其他识别方法。

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	（）
	作者相关文章

关键词 ：

交通标志识别, 卷积神经网络, Inception, 多尺度特征融合, 全局平均池化

年卷期日期: 2022-07-10 出版日期: 2022-07-27

引用本文:

张小雪黄巍.

基于卷积神经网络的交通标志识别算法

[J]. 电脑与电信, 2022, 1(7): 1-.
ZHANG Xiao-xue HUANG Wei .

Traffic Sign Recognition Algorithm Based on CNN

. Computer & Telecommunication, 2022, 1(7): 1-.

链接本文:

https://www.computertelecom.com.cn/CN/10.15966/j.cnki.dnydx.2022.07.020 或 https://www.computertelecom.com.cn/CN/Y2022/V1/I7/1

[1]	李春辉王小英张庆洁刘翰卓梁嘉烨高宁康. 基于多尺度卷积神经网络的DDoS攻击检测方法[J]. 电脑与电信, 2024, 1(6): 35-.
[2]	周锐　刘海军　邢丽莉　崔春杰　王高远. 基于卷积神经网络的儿童自闭症面部特征分类[J]. 电脑与电信, 2024, 1(5): 38-.
[3]	任豪. 结合注意力特征融合的八度卷积表情识别方法[J]. 电脑与电信, 2024, 1(5): 71-.
[4]	王瑾　王睿. 基于多尺度特征深度学习的人脸表情识别算法[J]. 电脑与电信, 2024, 1(5): 75-.
[5]	郝艳艳. 基于卷积神经网络的小麦病害识别研究 [J]. 电脑与电信, 2022, 1(9): 19-21.
[6]	刘逸琛. 基于变分自编码器的商品文本分类算法设计 [J]. 电脑与电信, 2022, 1(6): 37-.
[7]	王鹏程苏一水王茂发. 基于神经网络的面包智能溯源系统 [J]. 电脑与电信, 2022, 1(5): 19-.
[8]	贾亮徐善博邢轶博. 基于FPGA的卷积神经网络图像识别算法研究 [J]. 电脑与电信, 2022, 1(12): 58-.
[9]	张梓浩刘鹏浩谢汉辉邵国林吴振凯张嘉利. 面向多场所的基于深度学习电动车智能安全检测系统 [J]. 电脑与电信, 2022, 1(10): 40-44.
[10]	张望. 基于空间通道Transformer的双分支网络图像去雾方法 [J]. 电脑与电信, 2022, 1(10): 82-89.
[11]	马金峰. 基于密集连接卷积结构的人脸表情识别研究[J]. 电脑与电信, 2021, 1(4): 1-5.
[12]	张宝燕. 基于深度卷积网络的地理图像分类研究 [J]. 电脑与电信, 2021, 0(10): 75-79.
[13]	鞠聪李涛. 基于深度可分离卷积结构的人脸表情识别研究[J]. 电脑与电信, 2020, 1(6): 1-5.
[14]	张钢, 陈家链, 宋健, 郭俊琦, 周晨睿. 基于对抗生成网络的中国山水画自动生成模型[J]. 电脑与电信, 2020, 1(3): 1-.
[15]	李奂谌. 基于增强卷积神经网络的路面裂纹检测[J]. 电脑与电信, 2018, 1(11): 54-56.