基于深度学习的道路交通标志数字识别

基于MATLAB深度学习的交通标志识别

1. 课题介绍

交通标志识别技术的研究最早开始于奔驰等14家大型汽车公 司组成的民间组织所资助的Prometheus(Program for European Traffic with Highest Efficiency and unprecedented safety) 计划[1],其目标是研究一个交通标识识别系统,但直到最近几年,其研究成果才获得研究者的广泛关注。道路交通标志的识别系统TSR (Traffic Sign Recognition)是“智能交通系统ITS(Intelligent Trans- portation System)”研究领域中的热点和难点之一,也是难度较大的实景目标识别问题之一[2]。因为自然场景下采集到的道路交通标 志图像除了易受天气,光照,复杂背景等因素影响外,还可能出现遮挡,变形,掉色等情况。这些都将直接影响到最终的识别结果。目前, 识别方法众多,但总体而言,国内的研究在方法的创新和实用上相比国外还有一定差距。交通标志的自动识别过程主要包括交通标志的检测和交通标志的判别[3],本文主要研究深度学习算法在交通标志判别上的应用。

1. 课题研究现状

交通标志检测出来后,对其进行分类判别是交通标示识别的最终目的。目前,对交通标志判别的方法很多。大致可分为基于神经网络、基于形状(模式匹配)和基于颜色等[4-5]。文献[6]通过对待判别交通标志进行SIFT特征与特征子空间的交通标志描述符进行匹配, 完成交通标志的识别。SIFT特征是基于物体上的一些局部外观的兴趣点而与物体的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高,所以该方法对实景中部分出现倾斜,遮挡的交通标志也有很好的识别率。文献[7]在中心投影特征计算的基础上, 利用训练后的概率神经网络实现了交通标志的判别,并与不变矩特征及SIFT特征的识别效果进行了对比,实验得出中心投影特征能取得最高的识别率。但由于中心投影特征描述的只是形状特征,在对交通标志进行形状粗分类时效果较好,在细分类如从各种圆形限速标志中判别出具体是哪种限速标志时很难取得较高的识别效果。 文献[8]提出了一种基于颜色规格化的交通标志分类模型,