车辆辅助驾驶中的交通标志识别方法研究

陈严

摘 要 辅助驾驶是被用来协助驾驶人员安全驾驶，旨在降低人为风险，提升驾驶人员与行人安全性的系统。为了能够保证交通标志识别具备一定的实时性与准确率，本文提出了一种合理高效的交通标志识别方法。在已公开的GTSDB数据集基础上编写程序截取交通标志，建立小规模的常见交通标志检测数据集;对交通标志形状与颜色特征进行分析，最终判别效果良好。

关键词 交通标志识别 HSV颜色特征 图像预处理

中图分类号：TP391文献标识码：A

0引言

车辆辅助驾驶系统是通过配置在汽车上的各类传感器，让汽车行驶过程中自动感知环境、收集并处理数据、反馈结果，来实现对关键信息进行自主判断或者提示驾驶人员操作的功能，最终达到辅助驾驶的目的。而交通标志识别技术作为辅助驾驶中热门研究方向，在提供前方道路信息基础上，能够有效引导保障驾驶人员安全行车与舒适驾驶。

1交通标志识别基础

1.1交通标志

交通标志一般是被设置在道路一侧提供指示或者引导信息给驾驶人员的标志。国内外标志的差异性很大，与国内交通标志发展相比，国外设立有关标志的规范较早且范围更广，但是在实际应用到我国道路上时，可能会出现水土不服的现象。因此，我们在研究该项技术时，应当注重开发基于我国交通标志识别的系统。

1.2交通标志数据集

交通检测数据集是一个含有大量被用来进行神经网络训练的交通标志图像的集合，其中既可以只有正样本，也可以在有正样本的基础上有不含标志的负样本。目前有两种交通标志检测数据集被广泛地使用在交通标志识别研究上，分别是德国交通標志数据集与比利时交通标志数据集。但是考虑到我国交通标志与德国、比利时在外形和种类方面都有显著差异，因此，在进行训练时我们需要使用符合我国国情的自收集交通标志检测数据集。

2交通标志检测

在获得原始图像后，人们往往会发现图像中存在着部分细节模糊、噪声等一系列问题，如果这些问题图像在后续的交通标志检测与判别上被使用，会对交通标志分割与深度学习训练以及判别效果，产生极大的负面影响。为此，我们需要在开始正式检测与判别步骤前引入图像预处理技术，来提升原始图像的质量，尽可能地降低问题图像对后续步骤的不利影响

3标志识别方法

对于交通标志判别，主要是通过在深度学习框架上搭建神经网络训练实现。

3.1深度学习判别图像原理

TensorFlow在判别在图片判别过程时，图片先被传送到深度学习模型中，并通过被广泛使用的神经网络进行一系列运算。一般采用以下几种神经网络来进行深度学习中图像判别任务：卷积神经网络、深度神经网络与循环神经网络。其中CNN是图像识别方法里主流且识别效果较好的方法。

3.2 Inception-V3图像识别模型

Inception-V3是谷歌开源项目之一，是Google Net的第3个的版本，具备图像判别效率高、训练简单、成本低等优点。模型在训练过程中并不需要拥有配置GPU或者高性能运算功能的计算机，并且在整个一系列训练完成后就可以得到一个效果非常好的模型。这种架构最大的特点就是极大地提高了在网络中计算机资源的使用效率。

4实验结果分析

4.1实验数据集的建立

为了检验Inception-V3模型能否较好的判别交通标志，需要进行用大量交通标志进行训练与检验。考虑到现公开的长沙理工制作的CTSDB中交通实景图都是整张图像的形式公开，并未像GTSDB与BTSD那样是以具体的标志小图表示。因此本次实验是在已公开的CTSDB基础上，通过遍历该CTSDB中近10000张交通实景图，并根据GroundTruth中提供的交通标志信息进行裁剪。最终构建了一个由禁令标志、警告标志、指示标志共3大类组成的主标志检测数据集。

4.2标志判别结果

我们选用TensorFlow深度学习框架，并在此基础上采用Inception-V3模型对交通标志进行分类判别。考虑到Inception-V3模型是一个比较成熟的图像识别模型，而交通标识别主要采用卷积网络对图像特征提取，很多参数都是可以适用，同时为了减少训练所用的时间，在训练时对于模型中卷积层与Mixed结构参数都进行保留，只训练其中Softmax即分类器的参数。

5结论

在GTSDB数据集基础上截取交通标志，建立小规模常见交通标志检测数据集，经相关图像预处理技术后可正确检测出图像中的交通标志，具有一定的实用价值;在TensorFlow深度学习框架上使用 Inception-V3图像识别模型对CTSDB训练集部分标志进行判别的效果良好，错误率与漏检率都很低;最后自采集的校园交通标志的检测验证试验，识别的准确率可以达到90%以上，表明以上的一整套交通标志识别方法是可行的。

参考文献

[1] 王坤明，杨斐，许忠仁.基于神经网络的交通标志识别方法[J].辽宁石油化工大学学报，2003，23（01）：77-79.

[2] 李伦波，马广富.自然场景下交通标志检测与分类算法研究[J].哈尔滨工业大学学报，2009（11）：29-33.