卷積神經(jīng)網(wǎng)絡(luò)(CNN)在輔助交通標(biāo)志識別中的應(yīng)用

盧小戀

(中國人民大學(xué)，北京 100872)

0 引言

隨著我國經(jīng)濟(jì)實(shí)力的快速增長，城鎮(zhèn)化已步入高質(zhì)量發(fā)展階段，帶來的是國內(nèi)各大城市中機(jī)動車保有量的飛快增長。截至2021年年底，全國機(jī)動車保有量達(dá)到了3.95億輛，其中汽車占有量為3.01億輛，目前已有20個城市的汽車保有量超過300萬輛，超過百萬輛的城市更是達(dá)到了79個，早已遠(yuǎn)遠(yuǎn)超過當(dāng)時城市規(guī)劃的道路空間資源及社會環(huán)境。越來越多的車輛給全國各大城市道路造成了巨大的壓力，交通出現(xiàn)擁堵的情況也在急劇上演，對人們出行及城市規(guī)劃造成了巨大困難[1-2]。如果不對這些交通系統(tǒng)中的問題加以重視，則很容易出現(xiàn)交通問題。在這樣的交通大背景下，需要發(fā)展智能交通系統(tǒng)。在智能交通系統(tǒng)中，涉及了通信技術(shù)、計(jì)算機(jī)技術(shù)和控制技術(shù)等，可以實(shí)現(xiàn)交通系統(tǒng)的精準(zhǔn)及實(shí)時控制，而交通標(biāo)志的識別，是智能交通系統(tǒng)的基本功能之一，本文對此進(jìn)行了詳細(xì)的分析。

1 交通標(biāo)志的識別

1.1 交通標(biāo)志識別技術(shù)的應(yīng)用背景

伴隨著我國城鎮(zhèn)化和機(jī)動車保有量的快速增加，城市各類出行交通的基礎(chǔ)建設(shè)落后于城市規(guī)模的外擴(kuò)，致使城市內(nèi)部交通所需的城市道路空間資源及社會環(huán)境與現(xiàn)有的資源產(chǎn)生矛盾，且矛盾逐漸凸顯，這給城市交通也帶來了巨大的壓力。此外，我國在發(fā)展前期缺少對城市建設(shè)規(guī)劃的經(jīng)驗(yàn)，許多城市規(guī)劃未考慮各種功能配套的合理性。各種企業(yè)、學(xué)校規(guī)劃用地較為集中，使得早晚高峰時間容易出現(xiàn)路口流向不夠均勻的情況發(fā)生，如果情況較為嚴(yán)重，會導(dǎo)致交通系統(tǒng)發(fā)生擁堵現(xiàn)象[3-5]。為此可以采取圖像處理技術(shù)來對交通標(biāo)志進(jìn)行識別，這樣就能夠在一定程度上對交通系統(tǒng)中所存在的問題加以處理。

1.2 交通標(biāo)志識別技術(shù)的現(xiàn)狀

在交通標(biāo)志識別技術(shù)當(dāng)中，主要包括了圖像采集、處理和交通系統(tǒng)標(biāo)志識別結(jié)果等幾個主要組成部分。其中圖像處理模塊是交通標(biāo)志識別中的關(guān)鍵環(huán)節(jié)，對圖像處理算法性能的要求也相對較高，需要加強(qiáng)模型的設(shè)計(jì)。交通系統(tǒng)標(biāo)志圖像識別是將存有的信息與輸入的信息進(jìn)行對比，也是深度學(xué)習(xí)當(dāng)中的一種應(yīng)用，其原理是通過計(jì)算機(jī)等工具對目標(biāo)數(shù)據(jù)進(jìn)行處理、分析和理解，以識別圖像中各種不同模式的目標(biāo)對象。圖像識別技術(shù)在實(shí)際的應(yīng)用中，存在著較為明顯的應(yīng)用優(yōu)勢，可以有效提高交通系統(tǒng)標(biāo)志識別的實(shí)際應(yīng)用效果。圖像識別技術(shù)在應(yīng)用過程中，用戶不需要了解和掌握具體的圖像識別原理，只需要通過簡單的操作，就可以得到圖像識別的結(jié)果，并且對圖像識別的具體流程方面的細(xì)節(jié)也不用過多了解，這樣可以提高采用圖像識別技術(shù)生產(chǎn)制造出來的產(chǎn)品的實(shí)際應(yīng)用性能。此外，圖像識別技術(shù)和計(jì)算機(jī)機(jī)器視覺技術(shù)兩者之間存在著較大的關(guān)聯(lián)，需要兩種技術(shù)之間相互補(bǔ)充，共同推動圖像識別技術(shù)的發(fā)展和進(jìn)步。

目前，圖像內(nèi)目標(biāo)檢測的主要方法包括傳統(tǒng)識別檢測模式和深度學(xué)習(xí)識別檢測模式。而深度學(xué)習(xí)在行人檢測、圖像分類等各個領(lǐng)域取得了突破性的進(jìn)展。用于在圖像識別領(lǐng)域，主要應(yīng)用方向有圖像分類、目標(biāo)檢測、目標(biāo)跟蹤、語義分割和實(shí)例分割[6-9]。總之，將深度學(xué)習(xí)應(yīng)用在交通系統(tǒng)標(biāo)志圖像識別領(lǐng)域，將會有很大的發(fā)展前景和產(chǎn)生巨大的應(yīng)用價值。

1.3 交通標(biāo)志識別技術(shù)中存在的問題

目前對于交通標(biāo)志的識別已經(jīng)具備了一定的技術(shù)水平，但該技術(shù)在實(shí)際的應(yīng)用中，也存在著一定的問題，并面臨著一定的挑戰(zhàn)，主要包括了以下幾點(diǎn)：一是交通系統(tǒng)中的標(biāo)志在長期的使用過程中，可能會出現(xiàn)顏色模糊或者是脫落的情況，同時交通系統(tǒng)中的標(biāo)志也容易出現(xiàn)污染的情況，這些都會給后期的交通系統(tǒng)標(biāo)志識別帶來一定的問題。二是一般在對交通系統(tǒng)中的標(biāo)志進(jìn)行識別時，都是采用相機(jī)對圖像進(jìn)行采集，如果碰到惡劣天氣，則對圖像的采集會存在著較大的難度。三是在對交通系統(tǒng)中的標(biāo)志進(jìn)行識別的過程中，車輛一般都是處于行駛狀態(tài)，如果車輛出現(xiàn)了較大的顛簸，則也會使得所采集到的圖像出現(xiàn)模糊的情況，這些都會對后期的圖像識別產(chǎn)生干擾，采集的標(biāo)志模糊圖像如圖1所示。

圖1 交通系統(tǒng)標(biāo)志

2 CNN

2.1 神經(jīng)網(wǎng)絡(luò)技術(shù)分析

神經(jīng)網(wǎng)絡(luò)技術(shù)在優(yōu)化計(jì)算和數(shù)據(jù)處理技術(shù)當(dāng)中具有重要的應(yīng)用，可以采用神經(jīng)網(wǎng)絡(luò)技術(shù)來建立交通系統(tǒng)標(biāo)志識別模型。神經(jīng)網(wǎng)絡(luò)技術(shù)的類型較多，如BP神經(jīng)網(wǎng)絡(luò)技術(shù)、GA-BP神經(jīng)網(wǎng)絡(luò)技術(shù)、CNN等，不同類型的神經(jīng)網(wǎng)絡(luò)算法，在實(shí)際計(jì)算中流程有所不同，本文以CNN技術(shù)為例，分析交通系統(tǒng)標(biāo)志識別模型的構(gòu)建。在神經(jīng)網(wǎng)絡(luò)技術(shù)當(dāng)中，包括了多個不同的神經(jīng)元，從結(jié)構(gòu)上可分為輸入層、隱含層和輸出層等3個不同的數(shù)據(jù)計(jì)算層次，輸入數(shù)據(jù)經(jīng)過隱含層的處理之后，再經(jīng)過輸出層，得出具體的計(jì)算結(jié)果。其中對于輸入層，可以選取關(guān)鍵的特征量作為輸入元素。

2.2 CNN分析

和傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)技術(shù)相比，CNN技術(shù)更能夠和生物學(xué)中神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相符合。對于外界的輸入信息，首先進(jìn)行抽象，將沒有利用價值的信息加以去除，并將有用的數(shù)據(jù)加以保留，并抽象出一個關(guān)鍵的數(shù)據(jù)特征，之后再對數(shù)據(jù)做匹配。而在CNN技術(shù)中，卷積層中對數(shù)據(jù)特征的提取就是抽象數(shù)據(jù)特征的過程[10-11]。一般在CNN結(jié)構(gòu)當(dāng)中，包括了連接網(wǎng)絡(luò)、卷積和池化等3個主要部分。當(dāng)采集到的交通標(biāo)志圖像信息輸入到CNN分析系統(tǒng)中之后，就通過卷積計(jì)算來提取出交通系統(tǒng)標(biāo)志圖像中的特征數(shù)據(jù)。在卷積層當(dāng)中，需要采用到激活函數(shù)，從而使得對交通系統(tǒng)標(biāo)志圖像特征數(shù)據(jù)的提取效率得到提高，之后在池化層當(dāng)中，就可以對模型所需要的計(jì)算量加以降低，從而提高計(jì)算效率。在最后的連接網(wǎng)絡(luò)當(dāng)中，可以給出最后的分析處理結(jié)果，即將輸入及輸出層當(dāng)中的各個神經(jīng)元加以相互連接，圖2為全連接的示意圖。

圖2 全連接示意

3 CNN對交通標(biāo)志的識別技術(shù)分析

3.1 圖像識別概述

在本文所分析的圖像識別技術(shù)中，涉及幾個關(guān)鍵的技術(shù)環(huán)節(jié)，包括了對圖像數(shù)據(jù)信息的獲取，這是對圖像進(jìn)行識別的基礎(chǔ)條件。當(dāng)識別到了圖像數(shù)據(jù)信息之后，再對這些圖像數(shù)據(jù)進(jìn)行初步的預(yù)處理，同時還需要對圖像加以切圖。這些都是圖像識別技術(shù)中的關(guān)鍵環(huán)節(jié)，任何一個環(huán)節(jié)出現(xiàn)了問題，都將會導(dǎo)致識別到的圖像結(jié)果不夠準(zhǔn)確[12-15]。其次是開展模式的識別及匹配，最后就可以得到圖像識別的結(jié)果。在圖像識別技術(shù)中，所采取到的圖像識別算法，對于圖像識別的準(zhǔn)確率有著直接的影響，需要構(gòu)建出準(zhǔn)確的圖像識別模型。在圖像識別算法中，可以利用目前所發(fā)展起來的深度學(xué)習(xí)技術(shù)，并和人工神經(jīng)網(wǎng)絡(luò)、CNN等技術(shù)加以結(jié)合，使得對圖像識別更為準(zhǔn)確，識別效率也更高。

3.2 利用CNN識別交通標(biāo)志

在利用CNN識別交通標(biāo)志方法當(dāng)中，需要構(gòu)建SSD網(wǎng)絡(luò)模型，其中SSD即表示單發(fā)多盒檢測器，圖3為SSD網(wǎng)絡(luò)結(jié)構(gòu)。

圖3 SSD網(wǎng)絡(luò)結(jié)構(gòu)

卷積操作可使用一個小的“模板窗口”對一個圖片中的所有與模板大小相同的區(qū)域進(jìn)行“卷積運(yùn)算”。CNN對于大多數(shù)的機(jī)器學(xué)習(xí)用戶來說都是一個重要的工具，CNN可以識別場景，也可以提供相關(guān)的標(biāo)簽。利用SSD網(wǎng)絡(luò)，可以將不同尺寸的交通系統(tǒng)圖像進(jìn)行分類，同時在對交通系統(tǒng)標(biāo)志進(jìn)行識別的過程中，需要對數(shù)據(jù)進(jìn)行訓(xùn)練，在訓(xùn)練前對原數(shù)據(jù)應(yīng)進(jìn)行數(shù)據(jù)擴(kuò)充，從而保證了訓(xùn)練集數(shù)據(jù)類型的平衡，并對數(shù)據(jù)進(jìn)行預(yù)處理，來改善特征提取，使得所識別到的交通系統(tǒng)標(biāo)志更為準(zhǔn)確。

4 結(jié)語

隨著城市化發(fā)展進(jìn)程不斷加快，城市居民日益增長的通行需求與城市基礎(chǔ)設(shè)施供給能力之間的不平衡關(guān)系日益凸顯，讓城市擁堵成為不可避免的問題。加強(qiáng)交通系統(tǒng)標(biāo)志識別，對于保證道路交通系統(tǒng)上的車輛行駛安全具有重要的意義。本文所分析的CNN在輔助交通標(biāo)志識別中的應(yīng)用，對于提高交通系統(tǒng)的智能化水平具有一定的意義。