基于时序空间关系模型的交通标志识别

翟孝威 宋云志

摘  要： 道路交通标志识别是汽车无人驾驶技术的重要组成部分。通过调整卷积层和池化层数据输入方式，改进具有融合特征的多尺度卷积神经网络，提高识别准确率。依据视频图像的空间连续关系构建时序空间关系模型（Temporal-Spatial Model， TSM），结合多尺度卷积神经网络减少识别数据量，提高处理的效率，实现视频图像交通标志的高效率和高准确率识别。实验结果表明，所提出的算法识别率保持90.36%，在原始图像上运行平均帧率为32fps，有效地改进了基于单帧的交通标志图像识别效率低的问题。

关键词： 交通标志识别; 汽车无人驾驶; 多尺度卷积神经网络; 时序空间关系模型

中图分类号：TP391          文献标志码：A    文章编号：1006-8228（2019）06-63-04

Abstract： Traffic sign recognition is an important part of driverless car technology. In this paper， by adjusting the data input methods of convolutional layer and pooling layer， the multi-scale convolutional neural network with fusion features is improved to make better recognition accuracy， and the Temporal-Spatial model is constructed according to the spatial relationship of video images. Combining with multi-scale convolutional neural network to reduce the amount of identification data， improve the efficiency of processing， the model achieves the recognition of traffic sign with high efficiency and high accuracy. The experimental results show that the proposed algorithm's recognition rate is 96.81%， and the average frame rate is 32fps on the original image， which effectively improves the low-efficiency of single-frame traffic sign recognition.

Key words： traffic sign recognition; driverless car technology; the multi-scale convolutional neural network; Temporal-Spatial model

0 引言

道路交通标志牌是应用图像符号和文字符号显示当前道路信息的交通安全设施，严格按照国家相关法律标准设计。交通标志背景和图形文字的颜色反差较大为识别带来便利，但由于受到多种因素的影响，如标志牌颜色变浅、光照太强或不足、损坏形变、车辆抖动和视角的变化等因素，都会对交通标志的识别带来困难，因此，我们的目标就是设计一个稳健和高效的交通标志识别算法。

文献[1-2]总结和分析了目前交通标志识别技术发展概况。近几年道路交通标志的识别技术发展迅速，主要分为两大类：基于图像处理与机器学习相结合的方法[3]以及深度学习方法[4-5]。Claw Bahlmann[6]提出一种基于颜色、形状和运动信息的交通标志检测、追踪和识别系统框架。……