基于卷積神經網絡的城市道路交通流標志識別研究

文宏

（甘肅機電職業技術學院，甘肅 天水 741001）

0 引言

道路交通事故已成為城市交通管理的頑疾，造成道路交通事故的原因有多種，相關機構進行了統計分析，如圖1所示為因缺少道路交通標志牌造成交通事故的百分比。圖中可以得出看出，該統計區域內有64%的交通事故是由于缺少道路交通標志牌造成的。

圖1 錯過道路交通標志造成交通事故統計數據

在交通標志識別方法中，車輛能夠確定道路交通標志并避免發生事故。這些標志可能包括各種道路符號警報，例如“速度限制”、“單向”、“前方學校”等。根據當前交通管理業務需要，由于道路上交通擁擠，駕駛員很可能會錯過道路交通標志牌警報；同時由于城市人口過多，情況甚至惡化，而且某些道路交通標志信息可以從GPS獲取，但并不總是最新的。交通管理系統的設計便于提取道路交通標志，在汽車的面板上顯示，或者可以轉換為音頻信號，為駕駛員提供通知警報[1-2]。

交通標志識別是針對駕駛員輔助系統（Driver Assistance Systems，DAS）和自動駕駛（Automated Driving，AD）提出的解決方案之一。但是，由于環境條件（例如陰影，閃電等）的變化，此類分析對于計算機而言并非那么容易，晴天時會捕獲明亮的圖像。圖像中交通標志的識別包括兩個主要步驟：檢測和分類，因此系統設計中面臨的主要挑戰是考慮天氣情況及車輛周圍環境的變化。

本文設計了基于卷積神經網絡的交通標志識別（Traffic Sign Recognition，TSR）系統，不僅有助于減少道路交通事故，而且還可以鼓勵駕駛員保持合法速度，遵守交通規則和指示，并確保安全駕駛。

1 交通標記識別

1.1 關鍵技術

交通標記識別主要依托以下幾類技術進行整合分析研究。

（1）卷積神經網絡（Convolution Neural Network，CNN）。CNN用于各種道路交通標志識別應用中的圖像識別技術。在文獻［3］中所設計的系統包含三個主要階段：交通標志感興趣區域（Region of Interest，ROT）階段、ROI的優化和分類階段、后期處理階段，本文將改進的卷積神經網絡用于圖像識別。

（2）圖像分割。在相關研究中，圖像分割技術用于通過將交通標志與提供的數據集進行比較來確定交通標志的形狀。道路交通標志識別的圖像分割技術由于在汽車行駛過程中捕獲的模糊圖像而導致輸出不準確。在相關研究中，RGB顏色分割技術與基于規則的方法一起使用，進行圖像形態分析以確定交通標志的形狀。

（3）交通標志檢測。從相機拍攝的圖像通常質量較差，因此系統需要增強圖像質量，以獲得正確的結果。在實際對圖像進行分類之前，應用了各種預處理技術，圖像被轉換為各種顏色空間?；旧?，圖像歸一化技術用于調整圖像的亮度，以便準確地檢測交通標志。

本文采用幀提取方法，從車載攝像頭捕獲的視頻作為第一步，RGB是一種加色組件模型，其中將紅色，綠色和藍色組合在一起以獲得各種陰影。使用RBG顏色分量是為了減少系統的時間和空間復雜度。幀歸一化技術用于調整由于環境因素而導致的圖像亮度[4-5]。

1.2 系統架構

使用分類技術完成圖像特征提取和分類器訓練。通過SVM分類器與H OG特征，具有徑向特征的多層感知器（Multi-Layer Percep tron ，MLP），人工神經網絡（Artificial Neural Network ，ANN）以及旋轉不變二進制模式（Rotation Invariant Binary Pattern，RIBP）一起使用。另一方面，卷積神經網絡（CNN）可以被認為是用于訓練和分類的流行技術之一。在文獻［6］中，交叉熵損失的改進版本用于CNN訓練。盡管CNN在圖像分類方面表現出出色的性能，但設計良好的體系結構并訓練可行模型的任務仍然是具有挑戰性的任務之一。

使用Canny邊緣檢測算法以突出顯示邊緣，以便將交通標志的形狀與提供的圖像識別數據集進行比較 Canny基本上包括四個用于邊緣檢測技術的模塊，應用高斯濾波器以平滑圖像以抑制噪聲。應用高斯濾波器后，使用Sobel濾波器計算圖像的強度梯度。之后，選擇特定的閾值以抑制噪聲并確定確切的邊緣。此外，為了精確的邊緣檢測，有必要抑制非最大像素。此后，應用雙閾值以確定潛在邊緣。在確定強邊緣和弱邊緣之后，哪些弱邊緣是實際邊緣。為了實現這一點，通過使用滯后來跟蹤邊緣。為了確定最終的堅固邊緣，該過程以迭代方式進行。最終，系統迭代弱邊緣將其值設置為零，從而生成最終圖像[7-9]。如圖2所示為系統架構圖。

圖2 系統架構圖

1.3 檢測算法

第一步：減少噪聲

使用高斯濾波器對圖像中的噪音進行移除。

第二步：強度梯度計算

計算公式如下：

其中G表示圖像每個像素的邊緣梯度，θ表示邊緣方向。G x和G y表示水平和垂直方向過濾后平滑圖像的一階導數。

第三步：非最大抑制

選擇閾值以便抑制噪聲并確定確切的邊緣。此外，為了精確的邊緣檢測，有必要抑制非最大像素。

第四步：閾值排除

若edge > 最大閾值：包括

若edge < 最小閾值：已排除

最大閾值 > edge > 最小閾值：包括（僅當edge連接到強連接的edge時）。

基于以上算法描述，對系統執行流程進行設計，如圖3所示。

圖3 系統流程圖

（1）前期處理。在預處理階段，圖像被轉換為RGB顏色分量模型，此外，對幀進行歸一化以優化圖像外觀并控制有時由于晴天而造成的過高亮度。使用高斯濾波器來平滑圖像并消除可能導致不準確的噪聲。該預處理的圖像幀被發送到圖像檢測階段以進行進一步處理。

（2）圖像檢測。在圖像檢測階段，經過優化和預處理的圖像幀經過二值化技術，在二值化中，交通符號由白色像素表示，而背景由黑色像素表示。這有助于找到圖像中道路交通符號的大概位置，并以（x，y）坐標的形式獲得結果。

（3）形狀分類。此外，在從圖像幀中定位道路交通的近似坐標之后，Canny邊緣檢測算法用于突出顯示道路交通符號的邊緣，其位置是從前一階段獲得的。此輸出被發送到卷積神經網絡，在該網絡中對圖像幀中的實際道路交通符號進行匹配，并完成從數據集中提供的道路標志模板。此輸出進一步提供給模糊聚類，以提高系統的準確性。

（4）模糊聚類。模糊聚類輸出將被劃分為一定的概率集，最終結果將從匹配的可能類別中提取出來，然后將其轉換為音頻。

2 結語

本文提出了一種新的道路交通標志識別技術的改進方法。通過車載視頻獲取圖像源，應用預處理技術提高圖像幀質量，確定交通標志的大致位置，并將其發送到卷積神經網絡進行訓練和分類。模糊聚類充當用于改善CNN獲得的結果的優化器。該交通標志識別系統將幫助駕駛員輕松跟蹤交通標志，避免發生事故，從而減少交通傷亡人數。