您的当前位置：首页基于深度学习的交通标志识别技术研究

基于深度学习的交通标志识别技术研究

来源：飒榕旅游知识分享网

第３４卷第３期２０２０年５月

兰州文理学院学报(自然科学版)

)JournalofLanzhouUniversitfArtsandScience(NaturalSciencesyo

Vol．３４No．３

Ma０２０y２

()　　文章编号:２０９５Ｇ６９９１２０２００３Ｇ００９３Ｇ０５

基于深度学习的交通标志识别技术研究

高铭悦,董全德

()宿州学院信息工程学院,安徽宿州２３４０００

摘要:目前人工智能在自动驾驶中得到大量的应用,深度学习是实现人工智能的技术之一,尤其是深度学习中的卷积神经网络擅长处理图像分类、图像识别、目标分割和检测等方面的问题,本次实验对卷积神经网络的以提高对G实验结果表明,改进模型比标准模型的LeNetＧ５模型进行改进,TSRB数据库中交通标识的识别率．识别率提高了０．并验证了算法的可行性．２４％,关键词:深度学习;交通识别;LeNetＧ５模型中图分类号:TP３９３　　　文献标志码:A

0　引言

行设计的一种可以识别二维形状的模式,在平移、缩放、倾斜情况下具有高度不变性,可以看成是一种特殊的多感知器或前馈神经网络,其大量神经元按照一定的组织方式对视野的交叠区进行反

]３

应[．１９６２年,Hubel和Wiesel对猫的视觉皮层４]细胞进行研究,提出感受野的概念[．１９７９年,

,)研究的领域之一,深度学习(tellienceAIDeegp

)是实现人工智能的强大技术,已经在图learning像处理、视频和音频分析、自然语言处理等领域得到广泛应用．在深度学习发展史上,卷积神经网络

１]

,展起着无法替代的作用[它具有局部连接和权

目前计算机视觉是人工智能(ArtificialInＧ

(有着举足ConvolutionNeuralNetwork,CNN)

轻重的位置,对计算机视觉领域的研究和实际发值共享的特点,特别适合图像分类和识别、目标分割和检测等方面的问题．

交通标志识别一直是自动驾驶的研究内容,

Fukushima在Hubel和Wiesel提出的感受野基

础之上建立神经认知器模型,此模型被认为是第

]５

,一个卷积神经网络[１９８９年,LeCun等初次提

出权值共享技术,又将卷积层和汇合层１９９８年,进行结合,组成卷积神经网络结构,被认为是现代

６]

卷积神经网络的基础[卷积神经网络的神经元．

可以响应部分交叠范围的神经单元,适合图像分类和识别．

1.1　卷积神经网络结构

标准的卷积神经网络有输入层、交替的卷积层(又称检测层)和汇合层(又称池化层和下采样、层)全连接层和输出层构成,它们都可以看成是特殊的隐含层,其模型如图１所示．作为计算机视觉领域最成功的深度学习模型,卷积神经网络在深度学习兴起之后不断演化出大量的变种模

]７

型[．

通过摄像头采集交通标志,引入LeNetＧ５识别检测出交通标志所在的区域,再对交通标志进行分类识别并确定对象．LeNet最初设计的目的是用于识别手写字符和打印字符,最早用于美国银行

]２

,支票手写数字识别,效果非常好[之后被不断地

优化改进．本文采用LeNetＧ５对GTSRB数据库

进行实验,通过减少卷积层、全连接层特征层数,得到一种效率更高的交通标志识别方法．

1　卷积神经网络

收稿日期:２０２０Ｇ０２Ｇ１５

卷积神经网络是仿照生物的视觉神经系统进

1.2　卷积神经网络基本流程

将未经加工的原始数据输入卷积神经网络模

);;年度宿州学院科研平台开放课题项目(农业生态大２０１９kf０３２０１８年第二批产学合作协同育人项目(２０１８０２０７０２１５)y)数据分析与应用技术国家地方联合工程研究中心开放课题项目(AE２０１８０１０com．

););基金项目:２０１８年安徽高校自然科学研究项目(KJ２０１８A０４４７２０１７年度宿州学院重点科研项目(２０１７zd１９２０１９y

),:作者简介:高铭悦(女,安徽宿州人,助教,硕士,研究方向:大数据、人工智能等．１９９１ＧEＧmail１１８６７７２８９＠q．q

图１　标准卷积神经网络

,型的第一层(输入层)再经过输入层之后卷积层和汇合层的作用,可以将这些卷积层和汇合层当做一个整体看成是一个复杂的函数F同时CNN,由数据损失和模型所需的参数正则化损失共同组成,对于卷积神经网络模型的训练可以抽象为从

最初输入的原始数据到期望结果的拟合过程,中间需要经历特征学习,特征学习是将原始数据映射为特征,再进行分类,之后映射为样本标记,图２是卷积神经网络的基本流程８．

[]

图２　卷积神经网络基本流程图

2　LeNet5卷积神经网络Ｇ

这样做的mod函数进行一次非线性处理得到的．

目的是为了既可以减少后续数据处理量,同时保留有效信息．

第三层是第二个卷积层,共有１６个１０×１０

作为网络基本结构,包含３个卷积层、２个汇合层,输入原始数据可以是图像或矩阵,除输入层外,总共有７层,包含１个全连接层和１个输出

９]

层[．

LeNetＧ５主要是将卷积层和汇合层相互结合

的卷积特征图,且这些卷积特征图的神经元都与上一层的５×５领域进行局部连接．

第四层是第二个汇合层,包含１６个５×５的

),每个卷积特征图的像素大lutionalfeaturemap小是２由一个５×５的卷积核对输入图像８×２８,进行内卷积得到,其中每个神经元与输入中相应的５×５区域相连接,第一个卷积层共有１５６个参个偏置,６个卷积核共有(２５＋１)×６＝１５６个参数,另外还有１２２３０４个连接．汇合特征图大小为１其中每个汇合特４×１４像素,

第二层是汇合层,共有６个汇合特征图,每个

2.1　标准LeNet5模型Ｇ

第一个卷积层共有６个卷积特征图(convoＧ

汇合特征图,这些汇合特征图同样经过上一层的卷积特征图,与２×２的不重叠窗口进行平均汇合再非线性处理,使得汇合特征图行与列各自缩小为原来的二分之一,整体缩小为原来的四分之一．卷积特征图,由于上一层的汇合特征图和卷积核都是５×５的大小,所以这一层与上一层的连接为是因输入通过补零扩大,其他部分保持不变,使得特征图大于１×１像素．接下来才是全连接层,每个神经元都由上一层的所有神经元连接,共包含其值由上一层的输出与本层的权值８４个神经元,

进行内积后加上偏置,最后使用尺度化双曲线正全连接,但是这一层不是全连接层,而是卷积层,

第五层是第三个卷积层包含１２０个１×１的

]１０

,数[因为每个卷积核有５×５＝２５个权值和１

征图都是由上一层的卷积特征图经过大小２×２、步长为２的窗口进行平均汇合,然后再利用SiＧg

高铭悦等:基于深度学习的交通标志识别技术研究

９５

每一个神经元代１０个欧几里得径向函数神经元,

表一个类别,这些神经元都与上一层的所有神经元相连,最终的输出值由上一层的输出和本层的权值进行欧式距离平方所得．

2.2　LeNet5模型算法Ｇ

LeNetＧ５模型的改进主要是将非线性变换从汇合层转移到了卷积层,并把输出层的激活函数用Softmax函数替换原来的欧几里得径向函数,同时去掉一个卷积层只保留一个全连接层,其中输入层可以用x表示,通常是一个矩阵或者一张图像．由于卷积层、汇合层和全连接层都可以看成是特殊的隐含层,所以可以用H１＝(表示第h１,α),一层隐含层,即第一个卷积层(其中第α个CL)卷积面h１,α的卷积核为W式为:

⌒１,α切函数进行变换而得．最后一层是输出层,共有

题得到最优解并不意味着全局问题可以得到最优解,具体流程如图３所示．

图３　识别交通标识流程图

3.1　图像预处理

针对GTSRB数据库的交通标识图像进行剪裁,获取不同类别的交通标识,同一类别的标识符受拍摄距离、光照阴影以及天气影响等会有不同的误差,会出现清晰度不高、大小不一致、剪裁范围不标准等现象,所以对于数据集需要进行预处理,确保得到最好的识别结果,图４为GTSRB部分样本图．

,偏置是b,计算公

１,α１,α合层,其中第α个汇合面h２,h１,α是通过对α的汇合来计算的,计算公式为:

()h１,σ(x❋W＋b)．１α＝

表示第二层隐含层,即第一个汇H２＝(h２,α)

１,α积层,其中第β个卷积面是利用所有的汇合面h２,α(),(h２,ownh１,．２α＝dλα)２τ２

)表示第三层隐含层,也是一个卷H３＝(h３,β,β以及偏置３,和相应的卷积核W３计bβ进行计算,２,α算公式为:

３β３βh３,σ(∑αh２,bα❋W２,α＋)．β＝

⌒)表示第四层隐含层,是一个汇合H４＝(h４,β层,其中第β个汇合面h４,是通过对h３,的汇合来ββ计算的,计算公式为:

()３

图４　GTSRB数据库部分样本

,５β接层,其中h５是利用、三维张量W５来计和偏置b)(),(h４,ownh３,４λβ＝dβ．４τ４

表示第五层隐含层,是唯一的全连H５＝(h５)

５５

)h５＝σ(b．β＋∑βWhβ４,

分成GTSRB数据库中共有４３类交通标识,

两套训练集和测试集,其中一套有３９２０９个训练样本和１另一套有２２６３０个测试样本．６６４０个训练样本和１本次实验采用第一２５６９个测试样本,套训练集和测试集,这些训练集和测试集的图像格式是．将它们转换成统一的．m类型,ppjpg格需要在带入模型之前对这×２５０像素之间都有,些样本集进行处理,经过归一化处理为３２×３２像素大小,转换结果如图５所示,确保模型能够识别标识的形状和特征．

交通标识统一尺度后进行灰度化处理,使彩式,图像的大小也不是统一的,从１５×１５到２５０

算,计算公式为:

该层可以用h５、权值矩阵W６和o表示输出层,

６

偏置b通过S计算公式为:oftmax产生伪概率,

()５

3　LeNet5模型识别交通标志Ｇ

６

()o＝softmaxW６h５＋b．()６

解决图像识别问题主要分解为预处理、特征

提取与选择、分类器设计等步骤,主要目的是将图片识别问题分解成简单、可控且清晰的小问题,在解决这些小问题时尽可能得到最优解,但是子问

色图变成灰度图,并进行去噪,然后进行切分,从垂直和水平角度进行切除多余部分,只保留需要标识的图标区域,然后将保留的部分重置位于中央位置,再将其余部分细化添加．

表１　测试卷积层卷积核和全连接层节点数

第一层

卷积核个数

１２２０３０

第二层

卷积核个数

２０２０２０２０３０３０３０３０４０４０４０４０５０５０５０５０

全连接

层节点数５００５００５００５００５００４００４００４００４００４００４００３００３００３００３００３００

准确率/％９８．５３９８．０２９７．８０９８．０４９７．９０９８．３３９７．２３９７．８９９８．３２９８．３４９７．６９９８．４１９７．９１９８．０４９８．３０９８．２３

图５　归一化为３２×３２像素大小

４０１２２０３０４０１２２０３０４０１２２０３０４０

的卷积特征图数目,第一个卷积层的卷积特征图从１开始,每间隔１个增加,一直增加到１第二２,个卷积层的卷积特征图的数目也是间隔增加,一直增加到２通过卷积特征图数目的不断增加可０,3.2　实验

本次实验采用W以Pindows１０６４位环境,Ｇy

硬件thon作为软件平台搭载TensorFlow框架,经处理好的G分出训TSRB数据集先进行分类,练集和测试集,针对模型进行设置具体参数和网络结构细节,包括每个卷积层卷积核的个数、大小、步长,每个汇合层的类型、窗口大小、步长,全连接层的节点数目、激活函数的类型、损失函数的类型以及层与层之间的关系等．

针对卷积层的卷积核个数进行测试,如表１以测试LeNetＧ５模型识别交通标识的效率．

模型的改进是增加LeNetＧ５模型两个卷积层

((环境为IntelR)CoreTM)i５Ｇ３３８０MCPU＠２．

,,主频２．内存大小为８G将已９０GHz９GHzB．

表２　模型其他具体参数

参数卷积核１的大小汇合窗１的大小卷积核２的大小汇合窗２的大小

设置值５１２２５１２２

卷积核１的移动步长汇合窗１的移动步长卷积核２的移动步长汇合窗２的移动步长

同时全连接层也可以进行节点数的测试,４０、５０,

可以选择３通过反复测试,选择合适００、４００、５００,的卷积核个数和全连接层的节点数．

个数为１第二层卷积层的卷积核个数为２全２,０,连接层的节点个数为５除此之外,其他的具体００,参数如表２所列．

3.3　结果

此次实验每次迭代的交通标识样本数量为

通过测试,可以选择第一层卷积层的卷积核

所列．卷积层的卷积核个数可以选择１２、２０、３０、

4　结束语

通过增减卷积层和全连接层对网络模型进行简化,使得实验迭代次数达到一定值时能够提高交避免出现对清晰GTSRB数据集进行平衡处理,

图像的判别率失衡,在保持准确率的基础上得到更高性能的网络模型．参考文献:

[]王坚．基于深度属性学习的交通标志识别方法研究１

[]赵银玲,周武能．基于改进卷积神经网络的交通标志２

[北京:北京交通大学,D]．２０１７．

本文在LeNetＧ５标准模型基础上进行改进,

每测试一次经过的训练次数为５初始学１００,００,

习率为０．在训练网络的过程中,随着迭代次０１,数的增加,在迭代训练１程序结束,训练０００次后,集的识别准确率为９测试集的识别准确５．８７％,率为９将本次实验数据用L４．５６％．eNetＧ５标准模型进行实验,两者相比较本文方法准确率提高了０．证明改进模型更有效．２４％,

通标识的识别准确率．未来的研究中,可以考虑对

高铭悦等:基于深度学习的交通标志识别技术研究

９７

[]刘亚文．基于卷积神经网络的动态Q３R码识别系统[]肖林霞．基于卷积神经网络的目标运动跟踪跟踪研究４

[]杨金鑫．基于深度学习的细胞图像分割与识别算法研５

究[北京:北京邮电大学,D]．２０１７．[济南:山东科技大学,D]．２０１７．[广州:华南理工大学,D]．２０１９．

２１３．

]:识别方法[计算机系统应用,J．２０１８,２７(１０)２０９Ｇ[]曹正凤,李少丁,王栋梁,等．基于深度学习的端到端６

１１Ｇ１２．

]:车牌检测识别系统[中国交通信息化,J．２０１８(９)

[]弓耀辉．]图像文字识别中的预处理技术研究综述[７J．[]王瑞．基于卷积神经网络的图像识别[开封:河南８D]．

大学,２０１５．

():信息通信,２０１７９８Ｇ９．

[责任编辑:李岚]

ResearchonTrafficSinReconitionTechnoloasedgggyB

onDeeearninpLg

(,,,)SchoolofInformationEnineerinSuzhouUniversitSuzhou２３４０００,AnhuiChinaggy

GAOMinＧue,DONGQuanＧdegy:,AbstractAtpresentartificialintelliencehasbeenwidelsedinautonomousdrivin．Deelearningyugpg

,isoneofthetechnoloiestorealizeartificialintellienceeseciallonvolutionalneuralnetworksinggpyc

rovedtoenhancethereconitionrateofthetrafficsinsintheGTSRBdatabase．ThrouhtheexerＧpgggp

,imentalresultstheimrovedmodelwas０．２４％hiherthanthestandardmodeltoverifitsfeasibiliＧpgyt．y

:;;KeordsdeeearnintrafficreconitionLeNetＧ５modelplggyw

,,deeearninregoodatdealinithimaeclassificationimaereconitiontaretsementationplgagwggggg

,anddetection．InthisexerimenttheLeNetＧ５modeloftheconvolutionalneuralnetworkwasimＧp

因篇幅问题不能全部显示，请点此查看更多更全内容

查看全文