基于改进ResNet残差网络模型的交通标志识别

黄尚安

(江门职业技术学院,广东 江门529090)

伴随着人工智能技术的发展和普及，汽车工业正在经历一场深度的智能化技术革命。车辆对于交通现场的智能化理解能力尤为重要，而实现交通标志的识别又是其重要的技术环节。根据交通标志的特征，研究构建一种新的交通标志识别方法，力求在控制模型计算量的基础上，进一步提高交通标志的识别精度。

A Marchisio等人提出一种低延迟节能胶囊网络，采用非占优排序遗传算法，能够在保证交通标志高精度识别的基础上，控制模型的计算量[1]；O Araar等人为了避免标记数据的繁琐过程以及模型计算量的增加，提出了一种使用合成交通标志图像的CNN卷积神经网络模型，取得了不错的成绩[2]；M Singh等人提出了一种基于输入空间对齐的鲁棒性训练方法，他们在输入图像与解释映射之间的空间相关性上给出了属性脆弱性的上线，并且使用软边缘三重态损失最小化这个上限来学习稳健的特征，最终在交通标志识别GTSRB数据集得到了99.52 %的好成绩[3]；A Bouti等人提出一种改进的LeNet卷积神经网络模型，GTSRB数据集的测试精度达到了99.61 %，但模型训练迭代的时间有待优化[4]；A Hechri等人提出了一种“两阶段”交通标志识别模型，首选通过HOG和支持向量机进行交通标志检测，然后构建CNN模型进行识别，识别精度达到99.7 %，但模型的计算量依然有待进一步控制[5]。

如何能够在保证交通标志识别精度的基础上，依然可以很好控制模型训练迭代的时间以及计算量是研究人员一直以来要攻克的技术难点。……