任條娟 陳鵬 陳友榮 江俊 游靜

（1.常州大學(xué)，常州 213164；2.浙江樹(shù)人大學(xué)，杭州 310015）

主題詞：感興趣區(qū)域 卷積神經(jīng)網(wǎng)絡(luò) 膠囊神經(jīng)網(wǎng)絡(luò) 空間信息 動(dòng)態(tài)路由 交通標(biāo)志

1 前言

目前，車輛大多通過(guò)數(shù)字地圖獲得交通標(biāo)志信息[1]，但只限于有地圖數(shù)據(jù)的道路，因此基于人工智能和機(jī)器視覺(jué)的道路交通標(biāo)志識(shí)別系統(tǒng)擁有大量的需求。

交通標(biāo)志識(shí)別的本質(zhì)是圖像的多分類問(wèn)題，部分學(xué)者側(cè)重于利用機(jī)器視覺(jué)領(lǐng)域的特征提取以及分類器等方法實(shí)現(xiàn)交通標(biāo)志圖像的識(shí)別分類，如：文獻(xiàn)[2]～文獻(xiàn)[4]分別使用圖像分塊的方向梯度特征和內(nèi)部局部二值模式特征進(jìn)行特征融合，提取圖像方向梯度特征，提取交通標(biāo)志邊緣顏色、形狀和文字等圖像特征，最后使用支持向量機(jī)（Support Vector Machine，SVM）進(jìn)行識(shí)別；文獻(xiàn)[5]在最大穩(wěn)定極值區(qū)域（Maximally Stable Extremal Regions，MSER）的基礎(chǔ)上，增加對(duì)黃色圖像的處理，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）進(jìn)行定位；文獻(xiàn)[6]利用距離邊界向量的方式進(jìn)行檢測(cè)定位，提高其在弱光照條件下的圖像查全率；文獻(xiàn)[7]提出了一種基于嶺回歸和大津算法的檢測(cè)和識(shí)別交通標(biāo)志方法，使用HSV（Hue Saturation Value）進(jìn)行閾值分割，提取感興趣區(qū)域（Region of Interest，ROI），并用大津算法提取徑向直方圖特征，使用多層感知器實(shí)現(xiàn)分類。文獻(xiàn)[2]～文獻(xiàn)[7]需要人工設(shè)計(jì)先驗(yàn)知識(shí)的特征，且特征提取較為復(fù)雜，需花費(fèi)大量的人力和時(shí)間。部分學(xué)者側(cè)重于研究適用于交通標(biāo)志識(shí)別的CNN等深度學(xué)習(xí)算法。深度學(xué)習(xí)算法無(wú)需人工構(gòu)造任何圖像特征，直接提取整張圖像像素作為網(wǎng)絡(luò)輸入，如：文獻(xiàn)[8]～文獻(xiàn)[9]分別使用圖像聚類和圖像ROI 對(duì)圖像進(jìn)行預(yù)處理，并使用CNN訓(xùn)練和識(shí)別交通標(biāo)志圖像；文獻(xiàn)[10]提出了一種基于加權(quán)多CNN的交通標(biāo)志識(shí)別算法，即訓(xùn)練每個(gè)CNN，采用加權(quán)分類器優(yōu)化分類結(jié)構(gòu)，從而提高交通標(biāo)志識(shí)別能力；文獻(xiàn)[8]～文獻(xiàn)[10]均使用CNN 對(duì)交通標(biāo)志圖像進(jìn)行訓(xùn)練和識(shí)別，部分學(xué)者還使用了LeNet-5[11]、AlexNet[12]、GoogLeNet[13]等網(wǎng)絡(luò)模型，但由于池化層的存在，在提取圖像底層特征的過(guò)程中會(huì)導(dǎo)致空間特征信息的丟失、網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集需求量大、算法計(jì)算量較大等問(wèn)題。

綜上，雖然交通標(biāo)志識(shí)別算法研究已取得較大進(jìn)展，但在構(gòu)建訓(xùn)練數(shù)據(jù)集時(shí)需要考慮旋轉(zhuǎn)、翻轉(zhuǎn)、平移等變化的圖像，增加了算法的整體計(jì)算量。因此，本文針對(duì)傳統(tǒng)網(wǎng)絡(luò)由于池化層丟失圖像空間位置、角度等重要信息導(dǎo)致算法計(jì)算量大的問(wèn)題，提出了基于膠囊神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別算法，減小圖像提取特征的區(qū)域，提高模型的訓(xùn)練和識(shí)別速度。

2 交通標(biāo)志圖像識(shí)別原理與算法實(shí)現(xiàn)

圖1所示為交通標(biāo)志圖像識(shí)別流程。識(shí)別訓(xùn)練時(shí)，在主膠囊層中將張量的底層圖像特征轉(zhuǎn)化為向量圖像特征后，將圖像特征向量封裝成膠囊（Capsule）單元，對(duì)這些單元進(jìn)行動(dòng)態(tài)路由聚類獲取分類概率向量，其模長(zhǎng)即某個(gè)類別的概率，之后經(jīng)過(guò)反向傳播更新膠囊單元內(nèi)的權(quán)重參數(shù)，最后固定網(wǎng)絡(luò)內(nèi)膠囊單元權(quán)重參數(shù)，實(shí)現(xiàn)網(wǎng)絡(luò)模型訓(xùn)練。在圖像識(shí)別時(shí)，主膠囊層張量向量轉(zhuǎn)換后，通過(guò)訓(xùn)練好的權(quán)重參數(shù)和網(wǎng)絡(luò)動(dòng)態(tài)路由聚類，輸出交通標(biāo)志分類的結(jié)果。

圖1 交通標(biāo)志圖像識(shí)別流程

但仍需解決2 個(gè)問(wèn)題：如何對(duì)輸入圖像進(jìn)行預(yù)處理，獲得適用于CapsNet 網(wǎng)絡(luò)輸入的交通標(biāo)志圖像；如何訓(xùn)練和應(yīng)用適用于交通標(biāo)志識(shí)別的CapsNet 網(wǎng)絡(luò)模型，解決平移、翻轉(zhuǎn)和角度變化后同一交通標(biāo)志圖像的識(shí)別問(wèn)題。

2.1 交通標(biāo)志采集

車載攝像頭采集自然場(chǎng)景下同一道路不同時(shí)刻、不同角度的警示、禁止和指示3種類型交通標(biāo)志圖像。

2.2 圖像預(yù)處理

對(duì)交通標(biāo)志圖像進(jìn)行神經(jīng)網(wǎng)絡(luò)識(shí)別前，需要對(duì)其進(jìn)行預(yù)處理，提取擁有豐富特征信息的ROI，從而縮小圖像識(shí)別范圍，降低算法計(jì)算量，提高識(shí)別速度。

2.2.1 圖像均衡化

相較于背景區(qū)域，交通標(biāo)志圖像具有較強(qiáng)的反光性和凸顯性。同時(shí)，受天氣、光照等自然環(huán)境因素的影響，在圖像處理時(shí)需對(duì)其亮度進(jìn)行均衡化，以消除自然環(huán)境對(duì)圖像造成的干擾，增強(qiáng)圖像特征信息。均衡化流程如圖2所示，其中，亮度分量的直方化處理過(guò)程為：

式中，Sn為處理后的亮度分量值；Xi為亮度分量值為i的像素?cái)?shù)量；N為像素?cái)?shù)量總和。

圖2 圖像均衡化過(guò)程

2.2.2 MSER分割

交通標(biāo)志圖像經(jīng)過(guò)均衡化處理后，對(duì)其進(jìn)行灰度化和二值化。由于MSER算法具有良好的仿射不變性、穩(wěn)定性和簡(jiǎn)單高效的特點(diǎn)，本文基于MSER算法提取交通標(biāo)志圖像的ROI。該算法的基本思想如下：選取閾值t={0,1,2,…,255}對(duì)圖像進(jìn)行二值分割，低于閾值的像素置為黑色（0），高于或等于閾值的像素置為白色（255）。在閾值t從0增大到255的過(guò)程中，圖像形成閉合區(qū)域，尋找圖像像素區(qū)域變化最小的區(qū)域，即為MSER穩(wěn)定區(qū)域。然后，根據(jù)交通標(biāo)志本身的幾何特征，篩選潛在區(qū)域，最后利用式（2）計(jì)算灰度圖像中灰度值的標(biāo)準(zhǔn)差σ，得到標(biāo)志所在區(qū)域，并分割出圖像的ROI：

式中，xi為第i個(gè)灰度值；NA為周圍區(qū)域灰度值總數(shù)量。

MSER算法的具體實(shí)現(xiàn)步驟如下：

a.將交通標(biāo)志圖像每列灰度值從大到小排序。

b.將排序后的灰度值放入與原圖像尺寸大小相同的矩陣中，使用并查集（UnionFind）算法判斷排序后的每列灰度值點(diǎn)之間是否存在鏈接。如果存在鏈接，輸出灰度值點(diǎn)，并將其排在相鄰位置的矩陣內(nèi)，令t=0。

c.選取二值化閾值(t-Δ)、t和(t+Δ)，其中Δ為閾值的變化量，分別選擇灰度值為該閾值的像素點(diǎn)組成的多個(gè)區(qū)域，計(jì)算這些區(qū)域的面積，計(jì)算第i個(gè)區(qū)域的變化率

d.令t自加1，如果t＜256，則跳轉(zhuǎn)到步驟c，否則變化率的計(jì)算完成。選擇具有最小變化率的區(qū)域?yàn)樽畲蠓€(wěn)定極值區(qū)域Rt。

e.計(jì)算區(qū)域Rt的縱橫比R，計(jì)算區(qū)域與其外接矩形的面積比A，如果二者同時(shí)滿足式（4）、式（5），跳轉(zhuǎn)到步驟f，否則跳轉(zhuǎn)到步驟a，讀取下一張圖像：

式中，Rmin、Rmax分別為縱橫比的最小值、最大值；Amin為面積比的最小值。

f.令篩選出的最大穩(wěn)定極值區(qū)域的灰度值為255，其他區(qū)域灰度值為0。利用式（2）計(jì)算圖像每一個(gè)灰度值與周圍區(qū)域灰度值的標(biāo)準(zhǔn)差，將標(biāo)準(zhǔn)差最大的灰度值點(diǎn)作為交通標(biāo)志圖像ROI邊界的灰度值點(diǎn)，連接這些灰度值點(diǎn)組成圖像區(qū)域，獲得區(qū)域的圖像坐標(biāo)。分割該坐標(biāo)內(nèi)所有像素點(diǎn)，得到交通標(biāo)志圖像ROI。

2.2.3 歸一化

利用最鄰近插值法將ROI圖像規(guī)格化，獲得固定大?。?2×32）的圖像。

2.3 CapsNet訓(xùn)練和識(shí)別

2.3.1 CapsNet網(wǎng)絡(luò)結(jié)構(gòu)

如圖3所示，CapsNet網(wǎng)絡(luò)由5個(gè)部分組成。第1層為輸入層，輸入實(shí)際圖像數(shù)據(jù)。第2 層為標(biāo)準(zhǔn)卷積層Conv1，提取ROI 圖像（32×32），通過(guò)卷積提取交通標(biāo)志各部分特征。第3 層為CapsNet 網(wǎng)絡(luò)主膠囊層，對(duì)上層輸入的特征進(jìn)行不同卷積，生成1個(gè)向量作為膠囊單元，傳入數(shù)字膠囊層。第4層為數(shù)字膠囊層，通過(guò)動(dòng)態(tài)路由協(xié)議進(jìn)行聚類傳播與更新權(quán)重矩陣，輸出概率向量。第5層為輸出層，計(jì)算概率向量模長(zhǎng)，輸出分類概率。

2.3.2 卷積層底層特征

卷積層具有256個(gè)大小為9×9的卷積核，其深度和步幅均為1，運(yùn)用非線性激活函數(shù)提升卷積層的運(yùn)算能力。卷積層提取交通標(biāo)志圖像底層各部分特征，輸出24×24×256的張量。

圖3 CapsNet網(wǎng)絡(luò)基本結(jié)構(gòu)

2.3.3 主膠囊層張量向量化

主膠囊層接收卷積層提取的交通標(biāo)志圖像底層特征張量，構(gòu)建可作為底層特征的多維度的向量，并將該向量作為數(shù)字膠囊層輸入的底層膠囊單元。即主膠囊層通過(guò)8×32個(gè)大小為9×9和步長(zhǎng)為2的卷積核，進(jìn)行32次通道數(shù)量為8 的不同卷積，生成8 個(gè)6×6×8×32 的張量。將這8 個(gè)張量合并成6×6×8×32 的向量，即為主膠囊層輸出的底層膠囊單元。

2.3.4 動(dòng)態(tài)路由聚類

數(shù)字膠囊層在主膠囊層輸出向量單元的基礎(chǔ)上，進(jìn)行傳播與路由聚類。數(shù)字膠囊層輸入的膠囊單元表示圖像內(nèi)包含的實(shí)例化參數(shù)，使用如圖4所示的動(dòng)態(tài)路由算法預(yù)測(cè)更高層的膠囊單元。通過(guò)使用權(quán)重矩陣控制底層膠囊單元與高層膠囊單元間的連接緊密程度，并判斷膠囊單元間方向的一致程度，更新權(quán)重矩陣。循環(huán)執(zhí)行上述操作進(jìn)行動(dòng)態(tài)路由聚類，獲得耦合系數(shù)。

圖4 動(dòng)態(tài)路由的層級(jí)結(jié)構(gòu)

動(dòng)態(tài)路由算法的步驟為：

a.輸入低層膠囊單元的膠囊單元和連接權(quán)重矩陣，計(jì)算所有的預(yù)測(cè)向量：

式中，ui為低層膠囊單元的第i個(gè)膠囊單元；wij為第i個(gè)膠囊單元與第j個(gè)預(yù)測(cè)膠囊單元的連接權(quán)重矩陣；Uj|i為預(yù)測(cè)膠囊單元。

并令當(dāng)前膠囊所在的層序號(hào)為L(zhǎng)，且L=0，令路由迭代次數(shù)為R，令當(dāng)前循環(huán)次數(shù)r=1。

b.令bij為第L層第i個(gè)膠囊單元連接第(L+1)層第j個(gè)膠囊單元的一致性參數(shù)，令初始值均為0。

c.如果當(dāng)前循環(huán)次數(shù)小于R，則跳到步驟d，否則跳到步驟h。

d.計(jì)算每一個(gè)膠囊單元的耦合系數(shù)cij：

e.計(jì)算第(L+1)層中的所有膠囊單元的加權(quán)和：

式中，sj為第j個(gè)膠囊單元的加權(quán)和。

f.采用Squash 壓縮激活函數(shù)壓縮加權(quán)和sj，獲得第(L+1)層的所有膠囊單元：

式中，vj為第(L+1)層的第j個(gè)膠囊單元。

g.根據(jù)第L層的所有預(yù)測(cè)向量Uj|i與第(L+1)層的所有膠囊單元vj的連接關(guān)系，參數(shù)bij增加Uj|ivj，r自加1，并跳轉(zhuǎn)到步驟c。

h.輸出固定動(dòng)態(tài)路由過(guò)程中使用的耦合系數(shù)cij和連接一致性參數(shù)bij，輸出高層膠囊單元vj。

2.3.5 反向傳播和模型訓(xùn)練

獲取數(shù)字膠囊層輸出的膠囊單元向量，根據(jù)向量長(zhǎng)度判定其屬于某個(gè)類別的概率。同時(shí)，需構(gòu)建損失函數(shù)：

式中，k為分類類別；Tk為分類的指示函數(shù)，如不屬于類別k，Tk=1，否則Tk=0；vk為動(dòng)態(tài)路由聚類為類別k的向量單元；m+、m-分別為上、下邊界；λ為權(quán)重降低損失值。

在反向傳播算法中更新權(quán)重矩陣：

式中，為更新后的權(quán)重矩陣；η為學(xué)習(xí)率，即梯度。

同時(shí)，在訓(xùn)練過(guò)程中使L自加1，從低層膠囊單元向高層膠囊單元更新。在網(wǎng)絡(luò)訓(xùn)練結(jié)束后可確定膠囊網(wǎng)絡(luò)模型的權(quán)重參數(shù)，獲得網(wǎng)絡(luò)模型。

2.3.6 圖像識(shí)別

在圖像識(shí)別時(shí)，將圖像進(jìn)行預(yù)處理輸入網(wǎng)絡(luò)模型。圖像經(jīng)卷積層提取特征，主膠囊層將特征張量向量化，利用訓(xùn)練后的權(quán)重參數(shù)，通過(guò)動(dòng)態(tài)路由算法獲得43 個(gè)類別的向量，向量的模長(zhǎng)為各類別的概率，并將概率最大的類別作為分類的最終結(jié)果。

2.4 算法實(shí)現(xiàn)

交通標(biāo)志識(shí)別算法流程如圖5所示。

圖5 交通標(biāo)志識(shí)別算法流程

3 仿真結(jié)果分析

仿真采用Ubuntu 18.04（64 位）操作系統(tǒng)和TensorFlow平臺(tái)，處理器為Intel?Core?i7-8700 CPU@3.20 GHz×6，使用NVIDIA RTX2060實(shí)現(xiàn)GPU加速訓(xùn)練。

3.1 數(shù)據(jù)集準(zhǔn)備

為驗(yàn)證算法有效性，將其在如圖6所示的德國(guó)交通標(biāo)志數(shù)據(jù)集（Germany Traffic Sign Recognition Benchmark，GTSRB）上進(jìn)行測(cè)試，該數(shù)據(jù)集包含43種不同類型的交通標(biāo)志圖片。由于GTSRB原始數(shù)據(jù)中存在很多分辨率低、運(yùn)動(dòng)模糊、局部遮擋、尺寸不一、光照強(qiáng)度不同的低質(zhì)量數(shù)據(jù)，因此在數(shù)據(jù)集中添加現(xiàn)實(shí)場(chǎng)景拍攝的圖像替換部分低質(zhì)量圖像，共獲得51 839張圖片的數(shù)據(jù)集，包括39 209張圖片的訓(xùn)練集和12 630張測(cè)試圖片。

圖6 GTSRB數(shù)據(jù)集示例

3.2 圖像ROI提取結(jié)果分析

圖7展示了本文算法的圖像ROI提取過(guò)程，在對(duì)圖像分割時(shí)利用MSER進(jìn)行交通標(biāo)志分割，得到交通標(biāo)志候選區(qū)域，然后利用該區(qū)域的幾何特征縱橫比、周長(zhǎng)、面積等特征獲得交通標(biāo)志所在區(qū)域位置。

為與其他算法進(jìn)行比較，選用查全率Rc進(jìn)行評(píng)價(jià)：

式中，NT為檢測(cè)到的交通標(biāo)志數(shù)量；NZ為圖中含有的交通標(biāo)志總數(shù)量。

圖7 提取ROI過(guò)程

選取846 張正常光照?qǐng)D片和360 張弱光照?qǐng)D片，采用HOG[4]、MSER[5]、DtBs[6]和本文算法提取圖像ROI，計(jì)算查全率和標(biāo)志平均檢測(cè)時(shí)間，結(jié)果如表1所示。

表1 在不同光照下檢測(cè)算法比較

由表1可知：本文算法、MSER和DtBs對(duì)正常光照?qǐng)D片的交通標(biāo)志檢測(cè)效果較好，本文算法的查全率略大于MSER和DtBs，但三者相差不大；針對(duì)弱光照?qǐng)D片，本文算法對(duì)圖像亮度的均衡化可有效抑制光照對(duì)交通標(biāo)志造成的影響，同時(shí)采用MSER 方法分割交通標(biāo)志，避免了使用顏色閾值分割時(shí)，閾值不準(zhǔn)確造成的漏檢，在光照條件較差（夜晚）的情況下也能有效檢測(cè)交通標(biāo)志，故本文算法的查全率大于MSER、DtBs 和HOG。MSER 沒(méi)有判斷圖的形狀等特有特征，故其平均圖片提取時(shí)間較短。本文算法在MSER基礎(chǔ)上增加了對(duì)形狀的判斷，稍微延長(zhǎng)了標(biāo)志檢測(cè)時(shí)間，但小于DtBs和HOG算法。

3.3 網(wǎng)絡(luò)訓(xùn)練過(guò)程性能分析

網(wǎng)絡(luò)訓(xùn)練完成后，繪制出CNN 和本文算法在交通標(biāo)志訓(xùn)練過(guò)程中的識(shí)別率和損失曲線。網(wǎng)絡(luò)識(shí)別率隨訓(xùn)練次數(shù)的變化曲線如圖8 所示，訓(xùn)練開(kāi)始后，當(dāng)訓(xùn)練次數(shù)達(dá)到10 000 次時(shí)，CNN 和本文算法模型的識(shí)別率達(dá)到98%以上，但是本文算法在訓(xùn)練次數(shù)更少的情況下達(dá)到98%以上的識(shí)別率，當(dāng)訓(xùn)練次數(shù)達(dá)到60 000 次時(shí)，本文算法的識(shí)別率較CNN 更高。以上仿真結(jié)果表明，在網(wǎng)絡(luò)訓(xùn)練過(guò)程中本文算法可更快達(dá)到較高的識(shí)別率且其識(shí)別效果更好。

圖8 訓(xùn)練時(shí)CNN和本文算法的準(zhǔn)確率比較

CNN 和本文算法網(wǎng)絡(luò)訓(xùn)練過(guò)程損失隨訓(xùn)練次數(shù)的變化曲線如圖9所示：本文算法訓(xùn)練的損失從網(wǎng)絡(luò)訓(xùn)練開(kāi)始時(shí)即在1以下，且在訓(xùn)練100次后下降至0.5以下；CNN 在訓(xùn)練10 000次后網(wǎng)絡(luò)的損失才下降到0.5以下，且訓(xùn)練的整體損失較本文算法高。以上結(jié)果表明，在網(wǎng)絡(luò)訓(xùn)練過(guò)程中，本文算法比CNN訓(xùn)練收斂更快，可有效縮短訓(xùn)練時(shí)間，具有更好的實(shí)時(shí)性和更高的識(shí)別率。

圖9 訓(xùn)練時(shí)CNN和本文算法損失比較

3.4 模型性能分析

利用未經(jīng)數(shù)據(jù)增強(qiáng)的訓(xùn)練集圖像進(jìn)行網(wǎng)絡(luò)訓(xùn)練，根據(jù)訓(xùn)練模塊采用CNN 和本文算法對(duì)經(jīng)平移、旋轉(zhuǎn)和縮放的測(cè)試圖像進(jìn)行識(shí)別，計(jì)算識(shí)別率，如表2所示：CNN網(wǎng)絡(luò)由于池化層的存在會(huì)丟失圖像部分空間特征，導(dǎo)致在識(shí)別任務(wù)中表現(xiàn)較為遜色，識(shí)別率下降約10%；本文算法中的CapsNet 網(wǎng)絡(luò)結(jié)構(gòu)未使用池化層，而是使用動(dòng)態(tài)路由聚類進(jìn)行圖像分類，本文算法可獲得圖像底層空間特征信息且不丟失，使其能夠更好地分類交通標(biāo)志，其識(shí)別率基本沒(méi)有變化，不受圖像空間變換的影響。

為了驗(yàn)證ROI提取方法對(duì)交通標(biāo)志識(shí)別的影響，比較加入提取ROI 前、后的識(shí)別率。結(jié)果表明，在不進(jìn)行圖像ROI提取的情況下，交通標(biāo)志識(shí)別率為93.1%，經(jīng)過(guò)提取圖像ROI提取操作后，識(shí)別率可以達(dá)到97.2%，使用ROI提取方法可以很好地改善交通標(biāo)志識(shí)別效果。

表2 圖像空間變換的識(shí)別效果比較

在選擇卷積層卷積核大小時(shí)，卷積核較大可以獲取較多的特征值，但提取圖像的參數(shù)較多。為測(cè)試CapsNet網(wǎng)絡(luò)卷積層提取底層特征能力，通過(guò)設(shè)置5×5、8×8、9×9、12×12共4種不同大小的卷積核，經(jīng)過(guò)訓(xùn)練后計(jì)算圖像的識(shí)別結(jié)果，識(shí)別率分別為91.7%、92.4%、93.1%和92.7%，選擇卷積核大小為9×9的卷積層最適合本文網(wǎng)絡(luò)結(jié)構(gòu)。

使用卷積核大小為9×9 的卷積層時(shí)本文算法不受空間變換的影響，具有較好的識(shí)別效果，且加入ROI 提取，減少一些無(wú)關(guān)特征提取，提高了識(shí)別率。

3.5 算法識(shí)別率比較

比較經(jīng)典LeNet-5[11]、AlexNet[12]、GoogLeNet[13]、CNN、SVM 和本文算法的識(shí)別率。如表3 所示：LetNet 和AlexNet屬于輕型卷積網(wǎng)絡(luò)，結(jié)構(gòu)簡(jiǎn)單，能夠快速完成圖像的識(shí)別任務(wù)，但其網(wǎng)絡(luò)深度和圖像特征的表達(dá)能力不足；GoogLeNet 和CNN 屬于深層的卷積網(wǎng)絡(luò)，深度特征具有很強(qiáng)非線性表達(dá)能力，但其網(wǎng)絡(luò)需要很長(zhǎng)的訓(xùn)練時(shí)間；本文算法網(wǎng)絡(luò)訓(xùn)練時(shí)間較短，識(shí)別率最高。

表3 算法識(shí)別結(jié)果比較%

4 結(jié)束語(yǔ)

本文采用ROI 提取方法和利用膠囊網(wǎng)絡(luò)提出了一種基于膠囊神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別算法，在一定程度上解決了傳統(tǒng)算法在訓(xùn)練過(guò)程中的特征丟失、交通標(biāo)志識(shí)別網(wǎng)絡(luò)魯棒性差和識(shí)別率低等問(wèn)題。仿真測(cè)試結(jié)果表明：該算法在預(yù)處理和識(shí)別圖像過(guò)程中能較好地檢測(cè)交通標(biāo)志所在區(qū)域，可有效提取圖像ROI，提高弱光條件的查全率，增強(qiáng)魯棒性；在訓(xùn)練階段，由于本文算法網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，具有較快的訓(xùn)練速度，可縮短訓(xùn)練時(shí)間；相較于經(jīng)典的LeNet-5、AlexNet、GoogLeNet、CNN 和SVM 算法，本文算法的識(shí)別率更優(yōu)。目前采用的數(shù)據(jù)集較小，因此下一步工作是在龐大的數(shù)據(jù)集上驗(yàn)證網(wǎng)絡(luò)的識(shí)別能力，同時(shí)改進(jìn)膠囊單元間的路由算法，提高識(shí)別率。