基于卷積網(wǎng)絡(luò)的交通標志分類研究

許信冬

摘? ?要：交通標志分類作為先進輔助駕駛系統(tǒng)與無人駕駛技術(shù)環(huán)境感知環(huán)節(jié)的一部分，實時、準確地分類識別道路交通標志，并將分類的交通標志反饋給駕駛員和無人駕駛系統(tǒng)決策端，對提高行車安全意義重大。文章提出了基于卷積網(wǎng)絡(luò)的交通標志分類網(wǎng)絡(luò)，利用LeNet5作為分類網(wǎng)絡(luò)，準確率有較大的提升。

關(guān)鍵詞：交通標志;分類;卷積網(wǎng)絡(luò)

交通標志分類是先進的駕駛員輔助系統(tǒng)的重要組成部分之一[1]。交通標志有幾個顯著的特征，可以用來識別分類。交通標志以特定的顏色和形狀設(shè)計、文字或符號與背景形成強烈的對比。早期的分類算法是利用圖像處理的相關(guān)算法，提取交通標志的形狀和顏色信息，完成交通標志的分類。當受到光照、褪色以及遮擋時，算法的準確率會大幅度下降，魯棒性差。

卷積神經(jīng)網(wǎng)絡(luò)具有對二維圖像位置平移、比例縮放、傾斜或者其他形式變形的高度不變性的優(yōu)點[2]，在圖像識別、語音識別以及交通標識識別等領(lǐng)域已經(jīng)取得成功。本文給出了一種基于LeNet5方法[3]，在訓(xùn)練網(wǎng)絡(luò)模型時，使用中國交通標志檢測數(shù)據(jù)集（Chinese Traffic Sign Detection Benchmark，CCTSDB）數(shù)據(jù)集LeNet5網(wǎng)絡(luò)進行參數(shù)調(diào)整。為了驗證基于LeNet5的交通標志圖像檢測方法的有效性，本文采用基于Tensorflow平臺搭建LeNet5網(wǎng)絡(luò)模型，編程語言為Python，最終結(jié)果與經(jīng)典方法相比，本文給出的交通標志圖像檢測方法魯棒性更高。

1? ? 卷積神經(jīng)網(wǎng)絡(luò)與訓(xùn)練集

1.1? 卷積網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)主要包括輸入層、卷積層、池化層、全連接層和Softmax層。輸入層是整個神經(jīng)網(wǎng)絡(luò)的輸入[4]，在處理圖像的卷積神經(jīng)網(wǎng)絡(luò)中，它一般代表了一張圖片的像素矩陣，卷積層是一個卷積神經(jīng)網(wǎng)絡(luò)中最重要的部分。和傳統(tǒng)全連接層不同，卷積層中的每一個節(jié)點的輸入只是上一層神經(jīng)網(wǎng)絡(luò)中的一小塊，這個小塊的大小有3×3或者5×5。卷積層試圖將神經(jīng)網(wǎng)絡(luò)中的每一個小塊進行更加深入的分析，從而得到抽象程度更高的特征。池化層神經(jīng)網(wǎng)絡(luò)不會改變?nèi)S矩陣的深度，但是它可以縮小矩陣的大小。池化操作可以認為是將一張分辨率較高的圖片轉(zhuǎn)化為分辨率較低的圖片。全連接層主要是進行決策判斷，在經(jīng)過多輪卷積層和池化層處理之后，在卷積神經(jīng)網(wǎng)絡(luò)的最后一般會由1～2個全連接層來給出最后的分類結(jié)果。經(jīng)過幾輪的卷積層和池化層的處理之后，可以認為圖像中的信息已被抽象成了信息含量更高的特征。我們可以將卷積層和池化層看成自動圖像特征提取的過程。Softmax層主要用于分類問題，經(jīng)過Softmax層，可以得到當前樣例中屬于不同種類的概率分布情況[5]。

1.2? 訓(xùn)練樣本

常見的訓(xùn)練集有德國交通標志數(shù)據(jù)集（German Traffic Sign Recognition Benchmark，GTSRB）、比利時交通標志數(shù)據(jù)集（Belgium）和CCTSDB。本文采用的數(shù)據(jù)集是CCTSDB，由長沙理工大學綜合交通運輸大數(shù)據(jù)智能處理湖南省重點實驗室張建明老師團隊制作完成，數(shù)據(jù)集中包含了指示標志、禁止標志、警告標志，共計15 734張訓(xùn)練樣本。部分交通標志如圖1所示。

2? ? 參數(shù)確定與實驗結(jié)果

2.1? 參數(shù)設(shè)置

在訓(xùn)練過程中，需要確定卷積層、池化層、全連接層等最佳的參數(shù)，經(jīng)過多次調(diào)參后，相關(guān)參數(shù)的設(shè)置如表1所示。

2.2? 實驗結(jié)果

設(shè)置相應(yīng)參數(shù)后，進行網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練結(jié)果如圖2所示。利用訓(xùn)練得到的模型可以對測試數(shù)據(jù)進行分類識別，結(jié)果如圖3所示。

3? ? 結(jié)語

基于卷積網(wǎng)絡(luò)的交通標志，其精度高達98.1%，有很大的提升，可以滿足實際的需要，優(yōu)于傳統(tǒng)的分類算法。但是實驗還有一定的局限性，沒有涉及對其他自然場景下其他天氣的交通標志圖像，后期的工作將會對其他天氣情況下的交通標志進行分類識別。

[參考文獻]

[1]白瑩.交通標志識別[D].北京：北京交通大學，2013.

[2]坤明，許忠仁.基于不變矩和神經(jīng)網(wǎng)絡(luò)的交通標志識別方法研究[J].計算機應(yīng)用研究，2004（3）：254-255.

[3]佚名.道路交通標志識別的研究現(xiàn)狀及展望[J].計算機工程與科學，2006（12）：50-52.

[4]王坤明，楊斐，許忠仁.基于神經(jīng)網(wǎng)絡(luò)的交通標志識別方法[J].遼寧石油化工大學學報，2003（1）：77-79.

[5]黃琳，張尤賽.應(yīng)用深層卷積神經(jīng)網(wǎng)絡(luò)的交通標志識別[J].現(xiàn)代電子技術(shù)，2015（13）：101-106.