复杂场景下基于复合胶囊网络的交通标志识别

陈立潮，张倩茹，曹建芳,2+，潘理虎

(1.太原科技大学 计算机科学与技术学院，山西 太原 030024；2.忻州师范学院 计算机系，山西 忻州 034000)

0 引 言

目前，交通标志的识别主要分为两大类：一是采用传统图像识别方法，如方向梯度直方图、随机森林等，这类方法往往参数量大，且准确率较低。二是采用卷积神经网络(convolutional neural networks，CNN)进行识别，但是CNN缺乏空间相对位置的分辨能力，Hinton等[1]提出了胶囊网络(capsule network，CapsNet)，并将其成功应用于手写数字识别领域，尝试解决了CNN存在的问题。随后文献[2]设计了一种改进体系的CapsNet，克服了CNN在分类时所需数据集量大及输入转换问题；文献[3]将胶囊网络应用于交通标志检测，取得了不错的识别精度。针对采集到的图像效果不够理想、障碍物遮挡的识别问题；文献[4]使用机器学习组合算法通过分割目标边界对目标进行识别，但其存在分割效果不佳等情况；文献[5]与文献[6]分别对污损指纹和遮挡人脸进行识别，均是CNN系列网络的改进。本文将CNN和CapsNet进行了融合，提出了一种复合胶囊网络的交通标志识别方法，创建特定的交通标志数据集，其中包含模糊等非正常形态的图像；提升胶囊网络的特征提取能力，并对动态路由算法的更新计算方式进行优化，提高了交通标志图像识别的准确率。

1 胶囊网络原理

1.1 基本结构

传统的卷积神经网络在识别与数据集非常相似的图像时，效果可以达到预期，但是当图像有一些旋转、扭曲或者图像中的元素相对位置发生改变时，CNN的识别效果往往不是很理想。……