基于卷积神经网络的交通标识识别研究与应用

交通标识包含丰富的道路交通信息,为驾驶员提供警示、指示等辅助信息,对减轻驾驶员驾驶压力、降低道路交通压力、减少交通事故发生率起着重要的辅助作用。如果完全靠驾驶员自己注意和发现交通标识并做出正确的反应,难免会增加驾驶员的负担,加速疲劳,严重地可能会导致交通事故。因此,安全可靠的交通标识识别系统越来越受到汽车生产厂商的重视以及驾驶员的青睐。然而,真实环境下的交通情况复杂多变,光照强度、天气因素、局部遮挡、视角倾斜等问题使得交通标识识别系统的研究面临许多困难,而实际的应用也远未达到成熟地步。本文在调研国内外相关研究的基础上,着重研究了卷积神经网络在交通标识识别中应用。 卷积神经网络具有对二维图像位置平移、比例缩放、倾斜或者共他形式变形的高度不变性的优点,在图像识别、语音识别以及交通标识识别等领域已经取得成功。但是卷积神经网络由于具有深层的结构,模型训练和模式识别过程都比较耗时,这对实时性要求较高的交通标识识别系统来说是一个严重的缺陷。因此,本文提出了一种快速卷积神经网络来解决交通标识识别问题,与传统的卷积神经网络相比,该方法在提取同等数量特征的情况下,能够显著降低运行时间。 本文的主要工作包括如下方面：1.针对交通标识检测问题提出了一种快速卷积神经网络算法。首先使用支持向量机将输入图像转换为灰度图像,然后使用形状模板匹配方法寻找感兴趣区域,将得到的感兴趣区域输入到快速卷积神经网络进行分类。最后将所提出的检测算法用德国交通标识检测标准(German Traffic Sign Detection Benchmark, GTSDB)数据集进行检验。实验结果表明,该算法具有较高的检测准确率,能够适应恶劣光照、遮挡、旋转等多种不利条件。2.针对交通标识识别问题,提出一种基于卷积神经网络的层次化分类算法。首先将交通标识粗分为若干大类,然后针对各类的特点对标识进行预处理,对处理后的标识细分类得出最终结果。最后将所提出的识别算法用基于德国交通标识识别标准(German Traffic Sign Recognition Benchmark, GTSRB)数据集进行检验。实验结果表明,该算法不仅具有较高的分类正确率,同时具有较快的处理速度,更加适用于实时性要求较高的交通标识识别系统。