基于图模型与卷积神经网络的交通标志识别方法

被引：37

作者：

刘占文 ^{[1
]}

赵祥模 ^{[1
]}

李强 ^{[1
]}

沈超 ^{[1
]}

王姣姣 ^{[2
]}

机构：

[1] 长安大学信息工程学院

[2] 长安大学电子与控制工程学院

来源：

交通运输工程学报 | 2016年 / 16卷 / 05期

关键词：

交通控制; 交通标志; 显著性检测; 卷积神经网络; 预训练策略;

D O I：

10.19818/j.cnki.1671-1637.2016.05.014

中图分类号：

U463.6 [电气设备及附件]; TP391.41 [];

学科分类号：

080204 ; 082304 ; 080203 ;

摘要：

为了提高交通标志识别的鲁棒性,提出了一种基于图模型与卷积神经网络(CNN)的交通标志识别方法,建立了一个面向应用的基于区域的卷积神经网络(R-CNN)交通标志识别系统。构造了基于超轮廓图(UCM)超像素区域的图模型,有效利用自底向上的多级信息,提出了一种基于图模型的层次显著性检测方法,以提取交通标志感兴趣区域,并利用卷积神经网络对感兴趣候选区进行特征提取与分类。检测结果表明:针对限速标志,基于UCM超像素区域的图模型比基于简单线性迭代聚类(SLIC)超像素的图模型更有利于获取上层显著度图的大尺度结构信息;基于先验位置约束与局部特征(颜色与边界)的层次显著性模型有效地融合了局部区域的细节信息与结构信息,检测结果更加准确,检测目标更加完整、均匀,查准率为0.65,查全率为0.8,F指数为0.73,均高于其他同类基于超像素的显著性检测算法;基于具体检测任务的CNN预训练策略扩展了德国交通标志识别库(GTSRB)的样本集,充分利用了CNN的海量学习能力,更好地学习目标内部的局部精细特征,提高了学习与识别能力,总识别率为98.85%,高于SVM分类器的95.73%。

引用

页码：122 / 131

页数：10

共 7 条

[1] 基于认知心理学的驾驶员交通标志视认性理论分析 [J].

隽志才 ;

曹鹏 ;

吴文静 .

中国安全科学学报, 2005, (08) :8-11+113

[2]

A decision support system for the automatic management of keep-clear signs based on support vector machines and geographic information systems[J] . S. Lafuente-Arroyo,S. Salcedo-Sanz,S. Maldonado-Bascón,J.A. Portilla-Figueras,R.J. López-Sastre.Expert Systems With Applications . 2009 (1)

[3]

ImageNet classification with deep convolutional neural networks. A. Krizhevsky,I. Sutskever,G. Hinton. Advances in Neural Information Processing Systems . 2012

[4]

Detection of traffic signs in real-world images:The German Traffic Sign Detection Benchmark. S.Houben,J.Stallkamp,J.Salmen,M.Schlipsing,C.Igel. International Joint Conference on Neural Networks （IJCNN） . 2013

[5]

Caffe:convolutional architecture for fast feature embedding. Jia Y Q,Shelhamer E,Donahue J,et al. Proceedings of the22nd ACM International Conference on Multimedia . 2014

[6]

Convolutional neu-ral networks applied to house numbers digit classification. SERMANET P,CHINTALA S,LECUN Y. International Conference on Pattern Recognition . 2012

[7]

A hierarchical method for traffic sign classification with support vector machines. G.Wang,G.Ren,Z.Wu,Y.Zhao,L.Jiang. 2013 International Joint Conference on Neural Networks （IJCNN） . 2013

← 1 →