交通标志图片分类工具的设计与实现PPT教案.pptx

会计学
1
交通标志图片分类工具的设计与实现
目录
研究背景
目的及意义
论文纲要
编写语言及各种算法的对比
卷积神经网络简介
卷积神经网络的模型构建
交通标志分类工具的实验数据
交通标志分类工具的实验结果
总结
第1页/共14页
研究背景
随着经济的快速发展，交通安全成为社会重点关注的对象。用于管理和提醒行驶车辆的交通标识符也得到了大力的发展。交通标志是交通安全的重要工具，可以准确地将信息传递给司机和行人，并且及时地捕捉到交通标志信息，对道路交通安全是非常重要的。然而，当许多司机无视交通信号的情况下，会导致交通事故频发。
第2页/共14页
目的及意义
要想减少发生交通事故，那么就要及时准确地捕获交通标志信息，因此交通标志的识别成为了智能交通系统的极为重要的一环。为了解决交通标志识别的问题，本系统参考了基于LeNet-5的手写字识别的模型，实现了对交通标志图片进行分类。
第3页/共14页
论文纲要
1 引言




2 图像的分类技术







第4页/共14页
3 卷积神经网络在交通标志图片分类中的应用






4 总结与展望


第5页/共14页
编写语言及各种算法的对比
语言：python
算法对比：
贝叶斯：识别率低，分类效率低；
决策树：种类多的时候容易出错；
SVM：识别率低，数据量大的时候训练时间长。
第6页/共14页
卷积神经网络简介
卷积神经网络[4]是人工神经网络中的一种，同时也是语音分析和图像识别等相关领域研究的一大热点。它的权值共享网络结构与生物神经网络十分类似，不仅减少了权重的个数，而且能够将网络模型的复杂程度降到最低。
第7页/共14页
卷积神经网络的模型构建

卷积层的构建过程：首先输入图像，其次使用一个可以训练的滤波器对刚刚输入的特征映像图进行卷积，然后再加偏置，最后就能得到卷积层。
采样层的构建过程：首先将每个特征映像图区域中的4个像素进行求和使其变成一个像素，其次采用加权值和加偏置的方法，最后再运用一个Sigmoid函数就能够得到一个比原先的小了4倍的特征映射图。
第8页/共14页

全连接层是分类器的前一层，本系统采用的是反向传播算法，然后把全部的2维特征映像图改变成一维的来作为全连接层的输入，详细代码如下。

本系统使用了批量随机梯度下降（MSGD）的技术。换而言之，就是在遍历完一个文件的样本之后才会计算梯度并且更新参数，一般一个文件包括了几十到几百个的单个样本。

图像的预处理就是对图像进行简单的处理，这一过程极其的重要。首先对获得的图片进行选取，比如图像素材含有多余的几个目标，我们就要对图像进行分割以选取正确的目标。然后对图像进行灰度处理，将彩***片处理成灰度值为8的图片。
第9页/共14页