基于卷积网络的交通标志分类研究

许信冬

摘   要：交通标志分类作为先进辅助驾驶系统与无人驾驶技术环境感知环节的一部分，实时、准确地分类识别道路交通标志，并将分类的交通标志反馈给驾驶员和无人驾驶系统决策端，对提高行车安全意义重大。文章提出了基于卷积网络的交通标志分类网络，利用LeNet5作为分类网络，准确率有较大的提升。

关键词：交通标志;分类;卷积网络

交通标志分类是先进的驾驶员辅助系统的重要组成部分之一[1]。交通标志有几个显著的特征，可以用来识别分类。交通标志以特定的颜色和形状设计、文字或符号与背景形成强烈的对比。早期的分类算法是利用图像处理的相关算法，提取交通标志的形状和颜色信息，完成交通标志的分类。当受到光照、褪色以及遮挡时，算法的准确率会大幅度下降，鲁棒性差。

卷积神经网络具有对二维图像位置平移、比例缩放、倾斜或者其他形式变形的高度不变性的优点[2]，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。本文给出了一种基于LeNet5方法[3]，在训练网络模型时，使用中国交通標志检测数据集（Chinese Traffic Sign Detection Benchmark，CCTSDB）数据集LeNet5网络进行参数调整。为了验证基于LeNet5的交通标志图像检测方法的有效性，本文采用基于Tensorflow平台搭建LeNet5网络模型，编程语言为Python，最终结果与经典方法相比，本文给出的交通标志图像检测方法鲁棒性更高。

1    卷积神经网络与训练集

1.1  卷积网络结构

卷积神经网络的结构主要包括输入层、卷积层、池化层、全连接层和Softmax层。输入层是整个神经网络的输入[4]，在处理图像的卷积神经网络中，它一般代表了一张图片的像素矩阵，卷积层是一个卷积神经网络中最重要的部分。和传统全连接层不同，卷积层中的每一个节点的输入只是上一层神经网络中的一小块，这个小块的大小有3×3或者5×5。卷积层试图将神经网络中的每一个小块进行更加深入的分析，从而得到抽象程度更高的特征。池化层神经网络不会改变三维矩阵的深度，但是它可以缩小矩阵的大小。池化操作可以认为是将一张分辨率较高的图片转化为分辨率较低的图片。全连接层主要是进行决策判断，在经过多轮卷积层和池化层处理之后，在卷积神经网络的最后一般会由1～2个全连接层来给出最后的分类结果。经过几轮的卷积层和池化层的处理之后，可以认为图像中的信息已被抽象成了信息含量更高的特征。我们可以将卷积层和池化层看成自动图像特征提取的过程。Softmax层主要用于分类问题，经过Softmax层，可以得到当前样例中属于不同种类的概率分布情况[5]。

1.2  训练样本

常见的训练集有德国交通标志数据集（German Traffic Sign Recognition Benchmark，GTSRB）、比利时交通标志数据集（Belgium）和CCTSDB。本文采用的数据集是CCTSDB，由长沙理工大学综合交通运输大数据智能处理湖南省重点实验室张建明老师团队制作完成，数据集中包含了指示标志、禁止标志、警告标志，共计15 734张训练样本。部分交通标志如图1所示。

2    参数确定与实验结果

2.1  参数设置

在训练过程中，需要确定卷积层、池化层、全连接层等最佳的参数，经过多次调参后，相关参数的设置如表1所示。

2.2  实验结果

设置相应参数后，进行网络的训练，训练结果如图2所示。利用训练得到的模型可以对测试数据进行分类识别，结果如图3所示。

3    结语

基于卷积网络的交通标志，其精度高达98.1%，有很大的提升，可以满足实际的需要，优于传统的分类算法。但是实验还有一定的局限性，没有涉及对其他自然场景下其他天气的交通标志图像，后期的工作将会对其他天气情况下的交通标志进行分类识别。

[参考文献]

[1]白莹.交通标志识别[D].北京：北京交通大学，2013.

[2]坤明，许忠仁.基于不变矩和神经网络的交通标志识别方法研究[J].计算机应用研究，2004（3）：254-255.

[3]佚名.道路交通标志识别的研究现状及展望[J].计算机工程与科学，2006（12）：50-52.

[4]王坤明，杨斐，许忠仁.基于神经网络的交通标志识别方法[J].辽宁石油化工大学学报，2003（1）：77-79.

[5]黄琳，张尤赛.应用深层卷积神经网络的交通标志识别[J].现代电子技术，2015（13）：101-106.