陳嚴

摘 要 輔助駕駛是被用來協(xié)助駕駛?cè)藛T安全駕駛，旨在降低人為風險，提升駕駛?cè)藛T與行人安全性的系統(tǒng)。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(shù)據(jù)集基礎上編寫程序截取交通標志，建立小規(guī)模的常見交通標志檢測數(shù)據(jù)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(tǒng)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(huán)境、收集并處理數(shù)據(jù)、反饋結(jié)果，來實現(xiàn)對關鍵信息進行自主判斷或者提示駕駛?cè)藛T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?cè)藛T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(cè)提供指示或者引導信息給駕駛?cè)藛T的標志。國內(nèi)外標志的差異性很大，與國內(nèi)交通標志發(fā)展相比，國外設立有關標志的規(guī)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(xiàn)水土不服的現(xiàn)象。因此，我們在研究該項技術時，應當注重開發(fā)基于我國交通標志識別的系統(tǒng)。

1.2交通標志數(shù)據(jù)集

交通檢測數(shù)據(jù)集是一個含有大量被用來進行神經(jīng)網(wǎng)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(shù)據(jù)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(shù)據(jù)集與比利時交通標志數(shù)據(jù)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(shù)據(jù)集。

2交通標志檢測

在獲得原始圖像后，人們往往會發(fā)現(xiàn)圖像中存在著部分細節(jié)模糊、噪聲等一系列問題，如果這些問題圖像在后續(xù)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(chǎn)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(zhì)量，盡可能地降低問題圖像對后續(xù)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(jīng)網(wǎng)絡訓練實現(xiàn)。

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(jīng)網(wǎng)絡進行一系列運算。一般采用以下幾種神經(jīng)網(wǎng)絡來進行深度學習中圖像判別任務：卷積神經(jīng)網(wǎng)絡、深度神經(jīng)網(wǎng)絡與循環(huán)神經(jīng)網(wǎng)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(yōu)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(gòu)最大的特點就是極大地提高了在網(wǎng)絡中計算機資源的使用效率。

4實驗結(jié)果分析

4.1實驗數(shù)據(jù)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(xiàn)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(jù)GroundTruth中提供的交通標志信息進行裁剪。最終構(gòu)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(shù)據(jù)集。

4.2標志判別結(jié)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?？紤]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(wǎng)絡對圖像特征提取，很多參數(shù)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(jié)構(gòu)參數(shù)都進行保留，只訓練其中Softmax即分類器的參數(shù)。

5結(jié)論

在GTSDB數(shù)據(jù)集基礎上截取交通標志，建立小規(guī)模常見交通標志檢測數(shù)據(jù)集，經(jīng)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(jīng)網(wǎng)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(yè)大學學報，2009（11）：29-33.