全文总字数：5752字
1. 研究目的与意义（文献综述）
1.1 研究目的及意义
如今我国经济高速发展,汽车作为经济发展的标志变的越来越多,然而汽车的增加,使我国面临巨大的交通压力,交通事故频发,安全驾驶问题越来越突出,因此必须发展智能化交通系统。在智能化交通系统中,最重要的是交通标志的检测与识别,在交通安全运行方面具有重大的现实意义,它能够减少驾驶员的驾驶疲劳,更好的保证出行安全。然而交通标志的检测与识别是一项具有挑战性的工作,在真实的环境中,交通标志往往处在比较复杂的背景中,交通标志或者被遮挡、或者老化严重比较模糊、或者光照比较强导致反光等,这些因素会给检测与识别带来困难。系统是装在汽车上,必须做到准确检测与识别,才能帮助驾驶员。
1.2 国内外研究现状
日本在20世纪80年代就已经开始了针对TSR相关领域的研究，当时比较主流的方法是采用闽值分割算法来进行交通标志检测，然后利用模板匹配的方法来实现交通标志的识别。但由于系统的阈值分割和模板匹配算法是用硬件设备完成的，所以当该系统在机器上运行时，针对每幅交通标志的检测时间是1/60秒，识别时间是0.5秒。其中图像匹配法是将取得的图像和标准图像库中的图像在空间上进行匹配，通过选择特定的特征、较合适的搜索方法以及特征间的相似性准则来确定匹配的图像，一般分为基于特征的匹配和基于灰度图的图像匹配。
2. 研究的基本内容与方案
2.1研究的基本内容与目标
本文旨在通过使用目前最流行的卷积神经网络模型进行交通标志识别研究，并建立一个稳定性好、实时性强、准确度高的交通标志分类识别网络模型。一个实时准确的交通标志识别系统，能够有效避免由人为因素导致的汽车事故，提高行车安全。
2.2拟采用的技术方案及措施
3. 研究计划与安排
第 1-3周：查阅相关文献资料，明确设计内容，完成开题报告；
第 4-5周：论文开题；
第 6-8周：完成软件仿真设计及软件的编写；
4. 参考文献（12篇以上）
[1] 基于卷积神经网络的交通标识识别研究与应用[D]. 大连理工大学, 2014.
[2] 基于机器视觉的交通标志检测与识别算法研究[D]. 电子科技大学, 2015.
[3] 黄琳, 张尤赛. 应用深层卷积神经网络的交通标志识别[J]. 现代电子技术, 2015, v.38;No.444(13):101-106.
[4] 王振, 高茂庭. 基于卷积神经网络的图像识别算法设计与实现[J]. 现代计算机:专业版, 2015(20):61-66.
[5] 邓柳, 汪子杰. 基于深度卷积神经网络的车型识别研究[J]. 计算机应用研究, 2016, 33(3):930-932.
[6] Cirean, Dan, Meier U , Schmidhuber J . Multi-column Deep Neural Networks for Image Classification[J]. Eprint Arxiv, 2012, 157(10):3642-3649.
[7] Luo H, Yi Y, Bei T, et al. Traffic Sign Recognition Using a Multi-Task Convolutional Neural Network[J]. IEEE Transactions on Intelligent Transportation Systems, 2018, PP(99):1-12.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
