基于卷積神經(jīng)網(wǎng)絡(luò)的城市道路交通流標(biāo)志識別研究

文宏

（甘肅機電職業(yè)技術(shù)學(xué)院，甘肅 天水 741001）

0 引言

道路交通事故已成為城市交通管理的頑疾，造成道路交通事故的原因有多種，相關(guān)機構(gòu)進(jìn)行了統(tǒng)計分析，如圖1所示為因缺少道路交通標(biāo)志牌造成交通事故的百分比。圖中可以得出看出，該統(tǒng)計區(qū)域內(nèi)有64%的交通事故是由于缺少道路交通標(biāo)志牌造成的。

圖1 錯過道路交通標(biāo)志造成交通事故統(tǒng)計數(shù)據(jù)

在交通標(biāo)志識別方法中，車輛能夠確定道路交通標(biāo)志并避免發(fā)生事故。這些標(biāo)志可能包括各種道路符號警報，例如“速度限制”、“單向”、“前方學(xué)校”等。根據(jù)當(dāng)前交通管理業(yè)務(wù)需要，由于道路上交通擁擠，駕駛員很可能會錯過道路交通標(biāo)志牌警報；同時由于城市人口過多，情況甚至惡化，而且某些道路交通標(biāo)志信息可以從GPS獲取，但并不總是最新的。交通管理系統(tǒng)的設(shè)計便于提取道路交通標(biāo)志，在汽車的面板上顯示，或者可以轉(zhuǎn)換為音頻信號，為駕駛員提供通知警報[1-2]。

交通標(biāo)志識別是針對駕駛員輔助系統(tǒng)（Driver Assistance Systems，DAS）和自動駕駛（Automated Driving，AD）提出的解決方案之一。但是，由于環(huán)境條件（例如陰影，閃電等）的變化，此類分析對于計算機而言并非那么容易，晴天時會捕獲明亮的圖像。圖像中交通標(biāo)志的識別包括兩個主要步驟：檢測和分類，因此系統(tǒng)設(shè)計中面臨的主要挑戰(zhàn)是考慮天氣情況及車輛周圍環(huán)境的變化。

本文設(shè)計了基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識別（Traffic Sign Recognition，TSR）系統(tǒng)，不僅有助于減少道路交通事故，而且還可以鼓勵駕駛員保持合法速度，遵守交通規(guī)則和指示，并確保安全駕駛。

1 交通標(biāo)記識別

1.1 關(guān)鍵技術(shù)

交通標(biāo)記識別主要依托以下幾類技術(shù)進(jìn)行整合分析研究。

（1）卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）。CNN用于各種道路交通標(biāo)志識別應(yīng)用中的圖像識別技術(shù)。在文獻(xiàn)［3］中所設(shè)計的系統(tǒng)包含三個主要階段：交通標(biāo)志感興趣區(qū)域（Region of Interest，ROT）階段、ROI的優(yōu)化和分類階段、后期處理階段，本文將改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)用于圖像識別。

（2）圖像分割。在相關(guān)研究中，圖像分割技術(shù)用于通過將交通標(biāo)志與提供的數(shù)據(jù)集進(jìn)行比較來確定交通標(biāo)志的形狀。道路交通標(biāo)志識別的圖像分割技術(shù)由于在汽車行駛過程中捕獲的模糊圖像而導(dǎo)致輸出不準(zhǔn)確。在相關(guān)研究中，RGB顏色分割技術(shù)與基于規(guī)則的方法一起使用，進(jìn)行圖像形態(tài)分析以確定交通標(biāo)志的形狀。

（3）交通標(biāo)志檢測。從相機拍攝的圖像通常質(zhì)量較差，因此系統(tǒng)需要增強圖像質(zhì)量，以獲得正確的結(jié)果。在實際對圖像進(jìn)行分類之前，應(yīng)用了各種預(yù)處理技術(shù)，圖像被轉(zhuǎn)換為各種顏色空間。基本上，圖像歸一化技術(shù)用于調(diào)整圖像的亮度，以便準(zhǔn)確地檢測交通標(biāo)志。

本文采用幀提取方法，從車載攝像頭捕獲的視頻作為第一步，RGB是一種加色組件模型，其中將紅色，綠色和藍(lán)色組合在一起以獲得各種陰影。使用RBG顏色分量是為了減少系統(tǒng)的時間和空間復(fù)雜度。幀歸一化技術(shù)用于調(diào)整由于環(huán)境因素而導(dǎo)致的圖像亮度[4-5]。

1.2 系統(tǒng)架構(gòu)

使用分類技術(shù)完成圖像特征提取和分類器訓(xùn)練。通過SVM分類器與H OG特征，具有徑向特征的多層感知器（Multi-Layer Percep tron ，MLP），人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network ，ANN）以及旋轉(zhuǎn)不變二進(jìn)制模式（Rotation Invariant Binary Pattern，RIBP）一起使用。另一方面，卷積神經(jīng)網(wǎng)絡(luò)（CNN）可以被認(rèn)為是用于訓(xùn)練和分類的流行技術(shù)之一。在文獻(xiàn)［6］中，交叉熵?fù)p失的改進(jìn)版本用于CNN訓(xùn)練。盡管CNN在圖像分類方面表現(xiàn)出出色的性能，但設(shè)計良好的體系結(jié)構(gòu)并訓(xùn)練可行模型的任務(wù)仍然是具有挑戰(zhàn)性的任務(wù)之一。

使用Canny邊緣檢測算法以突出顯示邊緣，以便將交通標(biāo)志的形狀與提供的圖像識別數(shù)據(jù)集進(jìn)行比較 Canny基本上包括四個用于邊緣檢測技術(shù)的模塊，應(yīng)用高斯濾波器以平滑圖像以抑制噪聲。應(yīng)用高斯濾波器后，使用Sobel濾波器計算圖像的強度梯度。之后，選擇特定的閾值以抑制噪聲并確定確切的邊緣。此外，為了精確的邊緣檢測，有必要抑制非最大像素。此后，應(yīng)用雙閾值以確定潛在邊緣。在確定強邊緣和弱邊緣之后，哪些弱邊緣是實際邊緣。為了實現(xiàn)這一點，通過使用滯后來跟蹤邊緣。為了確定最終的堅固邊緣，該過程以迭代方式進(jìn)行。最終，系統(tǒng)迭代弱邊緣將其值設(shè)置為零，從而生成最終圖像[7-9]。如圖2所示為系統(tǒng)架構(gòu)圖。

圖2 系統(tǒng)架構(gòu)圖

1.3 檢測算法

第一步：減少噪聲

使用高斯濾波器對圖像中的噪音進(jìn)行移除。

第二步：強度梯度計算

計算公式如下：

其中G表示圖像每個像素的邊緣梯度，θ表示邊緣方向。G x和G y表示水平和垂直方向過濾后平滑圖像的一階導(dǎo)數(shù)。

第三步：非最大抑制

選擇閾值以便抑制噪聲并確定確切的邊緣。此外，為了精確的邊緣檢測，有必要抑制非最大像素。

第四步：閾值排除

若edge > 最大閾值：包括

若edge < 最小閾值：已排除

最大閾值 > edge > 最小閾值：包括（僅當(dāng)edge連接到強連接的edge時）。

基于以上算法描述，對系統(tǒng)執(zhí)行流程進(jìn)行設(shè)計，如圖3所示。

圖3 系統(tǒng)流程圖

（1）前期處理。在預(yù)處理階段，圖像被轉(zhuǎn)換為RGB顏色分量模型，此外，對幀進(jìn)行歸一化以優(yōu)化圖像外觀并控制有時由于晴天而造成的過高亮度。使用高斯濾波器來平滑圖像并消除可能導(dǎo)致不準(zhǔn)確的噪聲。該預(yù)處理的圖像幀被發(fā)送到圖像檢測階段以進(jìn)行進(jìn)一步處理。

（2）圖像檢測。在圖像檢測階段，經(jīng)過優(yōu)化和預(yù)處理的圖像幀經(jīng)過二值化技術(shù)，在二值化中，交通符號由白色像素表示，而背景由黑色像素表示。這有助于找到圖像中道路交通符號的大概位置，并以（x，y）坐標(biāo)的形式獲得結(jié)果。

（3）形狀分類。此外，在從圖像幀中定位道路交通的近似坐標(biāo)之后，Canny邊緣檢測算法用于突出顯示道路交通符號的邊緣，其位置是從前一階段獲得的。此輸出被發(fā)送到卷積神經(jīng)網(wǎng)絡(luò)，在該網(wǎng)絡(luò)中對圖像幀中的實際道路交通符號進(jìn)行匹配，并完成從數(shù)據(jù)集中提供的道路標(biāo)志模板。此輸出進(jìn)一步提供給模糊聚類，以提高系統(tǒng)的準(zhǔn)確性。

（4）模糊聚類。模糊聚類輸出將被劃分為一定的概率集，最終結(jié)果將從匹配的可能類別中提取出來，然后將其轉(zhuǎn)換為音頻。

2 結(jié)語

本文提出了一種新的道路交通標(biāo)志識別技術(shù)的改進(jìn)方法。通過車載視頻獲取圖像源，應(yīng)用預(yù)處理技術(shù)提高圖像幀質(zhì)量，確定交通標(biāo)志的大致位置，并將其發(fā)送到卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和分類。模糊聚類充當(dāng)用于改善CNN獲得的結(jié)果的優(yōu)化器。該交通標(biāo)志識別系統(tǒng)將幫助駕駛員輕松跟蹤交通標(biāo)志，避免發(fā)生事故，從而減少交通傷亡人數(shù)。