車輛輔助駕駛中的交通標志識別方法研究

陳嚴

摘 要 輔助駕駛是被用來協助駕駛人員安全駕駛，旨在降低人為風險，提升駕駛人員與行人安全性的系統。為了能夠保證交通標志識別具備一定的實時性與準確率，本文提出了一種合理高效的交通標志識別方法。在已公開的GTSDB數據集基礎上編寫程序截取交通標志，建立小規模的常見交通標志檢測數據集;對交通標志形狀與顏色特征進行分析，最終判別效果良好。

關鍵詞 交通標志識別 HSV顏色特征 圖像預處理

中圖分類號：TP391文獻標識碼：A

0引言

車輛輔助駕駛系統是通過配置在汽車上的各類傳感器，讓汽車行駛過程中自動感知環境、收集并處理數據、反饋結果，來實現對關鍵信息進行自主判斷或者提示駕駛人員操作的功能，最終達到輔助駕駛的目的。而交通標志識別技術作為輔助駕駛中熱門研究方向，在提供前方道路信息基礎上，能夠有效引導保障駕駛人員安全行車與舒適駕駛。

1交通標志識別基礎

1.1交通標志

交通標志一般是被設置在道路一側提供指示或者引導信息給駕駛人員的標志。國內外標志的差異性很大，與國內交通標志發展相比，國外設立有關標志的規范較早且范圍更廣，但是在實際應用到我國道路上時，可能會出現水土不服的現象。因此，我們在研究該項技術時，應當注重開發基于我國交通標志識別的系統。

1.2交通標志數據集

交通檢測數據集是一個含有大量被用來進行神經網絡訓練的交通標志圖像的集合，其中既可以只有正樣本，也可以在有正樣本的基礎上有不含標志的負樣本。目前有兩種交通標志檢測數據集被廣泛地使用在交通標志識別研究上，分別是德國交通標志數據集與比利時交通標志數據集。但是考慮到我國交通標志與德國、比利時在外形和種類方面都有顯著差異，因此，在進行訓練時我們需要使用符合我國國情的自收集交通標志檢測數據集。

2交通標志檢測

在獲得原始圖像后，人們往往會發現圖像中存在著部分細節模糊、噪聲等一系列問題，如果這些問題圖像在后續的交通標志檢測與判別上被使用，會對交通標志分割與深度學習訓練以及判別效果，產生極大的負面影響。為此，我們需要在開始正式檢測與判別步驟前引入圖像預處理技術，來提升原始圖像的質量，盡可能地降低問題圖像對后續步驟的不利影響

3標志識別方法

對于交通標志判別，主要是通過在深度學習框架上搭建神經網絡訓練實現。

3.1深度學習判別圖像原理

TensorFlow在判別在圖片判別過程時，圖片先被傳送到深度學習模型中，并通過被廣泛使用的神經網絡進行一系列運算。一般采用以下幾種神經網絡來進行深度學習中圖像判別任務：卷積神經網絡、深度神經網絡與循環神經網絡。其中CNN是圖像識別方法里主流且識別效果較好的方法。

3.2 Inception-V3圖像識別模型

Inception-V3是谷歌開源項目之一，是Google Net的第3個的版本，具備圖像判別效率高、訓練簡單、成本低等優點。模型在訓練過程中并不需要擁有配置GPU或者高性能運算功能的計算機，并且在整個一系列訓練完成后就可以得到一個效果非常好的模型。這種架構最大的特點就是極大地提高了在網絡中計算機資源的使用效率。

4實驗結果分析

4.1實驗數據集的建立

為了檢驗Inception-V3模型能否較好的判別交通標志，需要進行用大量交通標志進行訓練與檢驗。考慮到現公開的長沙理工制作的CTSDB中交通實景圖都是整張圖像的形式公開，并未像GTSDB與BTSD那樣是以具體的標志小圖表示。因此本次實驗是在已公開的CTSDB基礎上，通過遍歷該CTSDB中近10000張交通實景圖，并根據GroundTruth中提供的交通標志信息進行裁剪。最終構建了一個由禁令標志、警告標志、指示標志共3大類組成的主標志檢測數據集。

4.2標志判別結果

我們選用TensorFlow深度學習框架，并在此基礎上采用Inception-V3模型對交通標志進行分類判別。考慮到Inception-V3模型是一個比較成熟的圖像識別模型，而交通標識別主要采用卷積網絡對圖像特征提取，很多參數都是可以適用，同時為了減少訓練所用的時間，在訓練時對于模型中卷積層與Mixed結構參數都進行保留，只訓練其中Softmax即分類器的參數。

5結論

在GTSDB數據集基礎上截取交通標志，建立小規模常見交通標志檢測數據集，經相關圖像預處理技術后可正確檢測出圖像中的交通標志，具有一定的實用價值;在TensorFlow深度學習框架上使用 Inception-V3圖像識別模型對CTSDB訓練集部分標志進行判別的效果良好，錯誤率與漏檢率都很低;最后自采集的校園交通標志的檢測驗證試驗，識別的準確率可以達到90%以上，表明以上的一整套交通標志識別方法是可行的。

參考文獻

[1] 王坤明，楊斐，許忠仁.基于神經網絡的交通標志識別方法[J].遼寧石油化工大學學報，2003，23（01）：77-79.

[2] 李倫波，馬廣富.自然場景下交通標志檢測與分類算法研究[J].哈爾濱工業大學學報，2009（11）：29-33.