許信冬

摘? ?要：交通標(biāo)志分類(lèi)作為先進(jìn)輔助駕駛系統(tǒng)與無(wú)人駕駛技術(shù)環(huán)境感知環(huán)節(jié)的一部分，實(shí)時(shí)、準(zhǔn)確地分類(lèi)識(shí)別道路交通標(biāo)志，并將分類(lèi)的交通標(biāo)志反饋給駕駛員和無(wú)人駕駛系統(tǒng)決策端，對(duì)提高行車(chē)安全意義重大。文章提出了基于卷積網(wǎng)絡(luò)的交通標(biāo)志分類(lèi)網(wǎng)絡(luò)，利用LeNet5作為分類(lèi)網(wǎng)絡(luò)，準(zhǔn)確率有較大的提升。

關(guān)鍵詞：交通標(biāo)志;分類(lèi);卷積網(wǎng)絡(luò)

交通標(biāo)志分類(lèi)是先進(jìn)的駕駛員輔助系統(tǒng)的重要組成部分之一[1]。交通標(biāo)志有幾個(gè)顯著的特征，可以用來(lái)識(shí)別分類(lèi)。交通標(biāo)志以特定的顏色和形狀設(shè)計(jì)、文字或符號(hào)與背景形成強(qiáng)烈的對(duì)比。早期的分類(lèi)算法是利用圖像處理的相關(guān)算法，提取交通標(biāo)志的形狀和顏色信息，完成交通標(biāo)志的分類(lèi)。當(dāng)受到光照、褪色以及遮擋時(shí)，算法的準(zhǔn)確率會(huì)大幅度下降，魯棒性差。

卷積神經(jīng)網(wǎng)絡(luò)具有對(duì)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(diǎn)[2]，在圖像識(shí)別、語(yǔ)音識(shí)別以及交通標(biāo)識(shí)識(shí)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(shí)，使用中國(guó)交通標(biāo)志檢測(cè)數(shù)據(jù)集（Chinese Traffic Sign Detection Benchmark，CCTSDB）數(shù)據(jù)集LeNet5網(wǎng)絡(luò)進(jìn)行參數(shù)調(diào)整。為了驗(yàn)證基于LeNet5的交通標(biāo)志圖像檢測(cè)方法的有效性，本文采用基于Tensorflow平臺(tái)搭建LeNet5網(wǎng)絡(luò)模型，編程語(yǔ)言為Python，最終結(jié)果與經(jīng)典方法相比，本文給出的交通標(biāo)志圖像檢測(cè)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(gè)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(gè)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(gè)節(jié)點(diǎn)的輸入只是上一層神經(jīng)網(wǎng)絡(luò)中的一小塊，這個(gè)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(gè)小塊進(jìn)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(huì)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(rèn)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(jìn)行決策判斷，在經(jīng)過(guò)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(huì)由1～2個(gè)全連接層來(lái)給出最后的分類(lèi)結(jié)果。經(jīng)過(guò)幾輪的卷積層和池化層的處理之后，可以認(rèn)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(dòng)圖像特征提取的過(guò)程。Softmax層主要用于分類(lèi)問(wèn)題，經(jīng)過(guò)Softmax層，可以得到當(dāng)前樣例中屬于不同種類(lèi)的概率分布情況[5]。

1.2? 訓(xùn)練樣本

常見(jiàn)的訓(xùn)練集有德國(guó)交通標(biāo)志數(shù)據(jù)集（German Traffic Sign Recognition Benchmark，GTSRB）、比利時(shí)交通標(biāo)志數(shù)據(jù)集（Belgium）和CCTSDB。本文采用的數(shù)據(jù)集是CCTSDB，由長(zhǎng)沙理工大學(xué)綜合交通運(yùn)輸大數(shù)據(jù)智能處理湖南省重點(diǎn)實(shí)驗(yàn)室張建明老師團(tuán)隊(duì)制作完成，數(shù)據(jù)集中包含了指示標(biāo)志、禁止標(biāo)志、警告標(biāo)志，共計(jì)15 734張訓(xùn)練樣本。部分交通標(biāo)志如圖1所示。

2? ? 參數(shù)確定與實(shí)驗(yàn)結(jié)果

2.1? 參數(shù)設(shè)置

在訓(xùn)練過(guò)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(guò)多次調(diào)參后，相關(guān)參數(shù)的設(shè)置如表1所示。

2.2? 實(shí)驗(yàn)結(jié)果

設(shè)置相應(yīng)參數(shù)后，進(jìn)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(duì)測(cè)試數(shù)據(jù)進(jìn)行分類(lèi)識(shí)別，結(jié)果如圖3所示。

3? ? 結(jié)語(yǔ)

基于卷積網(wǎng)絡(luò)的交通標(biāo)志，其精度高達(dá)98.1%，有很大的提升，可以滿(mǎn)足實(shí)際的需要，優(yōu)于傳統(tǒng)的分類(lèi)算法。但是實(shí)驗(yàn)還有一定的局限性，沒(méi)有涉及對(duì)其他自然場(chǎng)景下其他天氣的交通標(biāo)志圖像，后期的工作將會(huì)對(duì)其他天氣情況下的交通標(biāo)志進(jìn)行分類(lèi)識(shí)別。

[參考文獻(xiàn)]

[1]白瑩.交通標(biāo)志識(shí)別[D].北京：北京交通大學(xué)，2013.

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

[3]佚名.道路交通標(biāo)志識(shí)別的研究現(xiàn)狀及展望[J].計(jì)算機(jī)工程與科學(xué)，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(biāo)志識(shí)別方法[J].遼寧石油化工大學(xué)學(xué)報(bào)，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(biāo)志識(shí)別[J].現(xiàn)代電子技術(shù)，2015（13）：101-106.