基于深度学习的交通标志检测及识别技术的应用探析*

2020-01-06张悦成新田陈婷

科学与信息化 2020年34期

关键词：交通标志模板神经网络

张悦成新田陈婷

南京市金陵科技学院江苏南京 211169

引言

随着科技的进步和社会的发展，我国交通运输业发展规模逐渐扩大，在带动经济发展的同时，也给交通管理带来一定压力。交通标志的出现对道路信息具有指示作用，为了不断提高行车安全，需要充分利用高科技对该领域进行深度学习，推进交通行业的积极发展。

1 基于深度学习的交通标志检测技术分析

1.1 颜色信息进行定位检测

在交通标志设计过程中，首先要对颜色信息进行重点表示。一般情况下，通过摄像机采集的交通标志图像大多数都是在三原色的基础上构建的颜色空间模型，换句话说，指的就是RGB空间模型。从其颜色特征方面看，由于其自身的特殊属性，对光照具有较高的敏感程度，因此，极易受到光照影响在系统中出现不良反应，所以，在交通标志检测过程中，不能应用RGB图像对颜色信息进行直接检测。而对于HVS模型来说，其受光照强度影响程度不大，针对光照具有较强的抗干扰、抗辐射等能力，因此，在对交通标志进行颜色信息检测时，大多数情况下都会选择利用HVS空间模型构建进行实际检测，检测过程可分为以下步骤：

第一，通过摄像机将所接收的交通标志颜色信息进行输入和整合，然后通过HVS空间模型的建立构建出HVS颜色空间，在此基础上，还要建立RGB颜色空间模型与HVS颜色空间模型的转换关系；第二，需要根据实际情况，将交通标志的整张图像的颜色信息进行有效分析，然后以此为依据进行特征提取，与此同时还要注重信息的真实性和完整性；第三，可能在转换过程中存在噪声干扰，因此可以通过阈值定位对感兴趣区域进行有效分割，才能真正意义上表明交通标志的实质性含义。

1.2 形状信息进行定位检测

对于根据形状信息进行交通标志检测来说，可大致分为以下两种方法：一种是直线的Hough变换检测。其主要是将存在于坐标空间上的点和线通过有效方法，将其转化到参数空间上。在此过程中需要对方程式进行有效应用，从而有效得出当坐标空间点进行实际转化时，在参数空间上呈现出是直线状态，与此同时，当坐标空间中同一条直线的点，按照相同路径转换到参数空间中时，直线的具体位置都相交于同一位置。相应的，就交通标志来说，其具体形状边缘上的点与具体坐标相对应，如果经过同一点的直线重复性较高时，则会构成该交通标志形状的边缘直线[1]；另一种是基于图形的Hough变换检测。其主要是对Hough变换曲线拟合原理进行有效应用，如果图像空间坐标系中的随意一点，在映射到参数空间坐标体系中为圆锥形状，与此同时，同一个圆上的点与圆锥的顶点相交于同一点，则可表示出图像空间坐标系中的圆心和半径与该点相对应。在实际圆形交通标志检测过程中，为了提高检测准确性，满足实时性特点，因此，需要将初步接受的原始图片进行适当灰化，然后利用Canny运算得到粗略的边缘信息图像，在此基础上，对其进行二值化处理，才能切实对边缘信息进行有效提取。

2 基于深度学习的交通标志识别技术算法应用

2.1 模板匹配法

在进行交通标志识别过程中，模板匹配法凭借其原理的简单性、操作的泛化性和运算能力强等特点，具有较高的应用频率，其可以详细划分为以下两种匹配方法：第一，图像像素模板匹配方法。顾名思义，其主要是通过对图像所对应的位置像素进行计算，来对两幅图像的匹配程度进行有效判断，如果计算出的欧式距离之和与所设定的阈值相比较小，则证明两幅图像属于匹配状态，但是在此基础上，必须要满足模板库始终保持完整状态、目标图像分辨率要始终保持较高状态两个前提条件，此种匹配方法具有思路清晰、方向明确、方法简单等特性，因此可得到较高的识别效果[2]；第二，图像特征的模板匹配方法。此种匹配方法需要对两幅图像对应位置的像素差值的总和进行计算，首先，需要针对图像的关键点进行有效查找和选取，然后依次为依据对欧式距离进行有效计算，能够有效提高计算速率。在此基础上，为了提高该方法的实时性，需要应用多项式SIFY特征的模板匹配方法提高确定性能，不仅能够有效对尺度空间进行构建，还能在一定程度上对交通标志的极值进行有效测量，确保对关键点筛选的真实性和稳定性，切实实现对交通标志的有效识别。

2.2 机器学习法

针对机器学习法来说，可以详细分为人工神经网络分类法、卷积神经网络分类法和迁移学习法三种类型。第一，人工神经网络分类法主要是对人脑神经组织机构、活动机理进行模仿，从而进行外界物体的行为、语言等各个方面的模仿，属于模拟人类逻辑思维构建出的学习模型，与人脑的基本功能具有较大相似性，其主要构建内容可分为人工神经元、神经网络两部分，对交通标志的正确识别具有积极意义；第二，卷积神经网络分类法。首先需要通过构建神经网络模型，利用卷积结构对输入的交通图像标志的特征信息进行有效提取，然后利用各个分析层次通过有效连接对图像特征信息进行学习的多分类器，除此之外，还可以充分利用实际操作、采样降低等多种方式进行特征提取，以此为基础构建的卷积模型具有较高的实时性和准确性特点；第三，迁移学习分类法。指的是凭借已有的数据领域模型进行具体的知识迁移工作，将其实质性内容高质量的转移到数据匮乏目标领域中，能有真正意义上解决数据储存量不足的问题，切实避免了神经网络模型构建不完全、不能进行高水平训练的情况，间接提高了对交通标志的识别程度，对工业视觉领域发展具有推动作用。