卷积神经网络(CNN)在辅助交通标志识别中的应用

2022-02-16卢小恋

无线互联科技 2022年23期

卢小恋

(中国人民大学，北京 100872)

0 引言

随着我国经济实力的快速增长，城镇化已步入高质量发展阶段，带来的是国内各大城市中机动车保有量的飞快增长。截至2021年年底，全国机动车保有量达到了3.95亿辆，其中汽车占有量为3.01亿辆，目前已有20个城市的汽车保有量超过300万辆，超过百万辆的城市更是达到了79个，早已远远超过当时城市规划的道路空间资源及社会环境。越来越多的车辆给全国各大城市道路造成了巨大的压力，交通出现拥堵的情况也在急剧上演，对人们出行及城市规划造成了巨大困难[1-2]。如果不对这些交通系统中的问题加以重视，则很容易出现交通问题。在这样的交通大背景下，需要发展智能交通系统。在智能交通系统中，涉及了通信技术、计算机技术和控制技术等，可以实现交通系统的精准及实时控制，而交通标志的识别，是智能交通系统的基本功能之一，本文对此进行了详细的分析。

1 交通标志的识别

1.1 交通标志识别技术的应用背景

伴随着我国城镇化和机动车保有量的快速增加，城市各类出行交通的基础建设落后于城市规模的外扩，致使城市内部交通所需的城市道路空间资源及社会环境与现有的资源产生矛盾，且矛盾逐渐凸显，这给城市交通也带来了巨大的压力。此外，我国在发展前期缺少对城市建设规划的经验，许多城市规划未考虑各种功能配套的合理性。各种企业、学校规划用地较为集中，使得早晚高峰时间容易出现路口流向不够均匀的情况发生，如果情况较为严重，会导致交通系统发生拥堵现象[3-5]。为此可以采取图像处理技术来对交通标志进行识别，这样就能够在一定程度上对交通系统中所存在的问题加以处理。

1.2 交通标志识别技术的现状

在交通标志识别技术当中，主要包括了图像采集、处理和交通系统标志识别结果等几个主要组成部分。其中图像处理模块是交通标志识别中的关键环节，对图像处理算法性能的要求也相对较高，需要加强模型的设计。交通系统标志图像识别是将存有的信息与输入的信息进行对比，也是深度学习当中的一种应用，其原理是通过计算机等工具对目标数据进行处理、分析和理解，以识别图像中各种不同模式的目标对象。图像识别技术在实际的应用中，存在着较为明显的应用优势，可以有效提高交通系统标志识别的实际应用效果。图像识别技术在应用过程中，用户不需要了解和掌握具体的图像识别原理，只需要通过简单的操作，就可以得到图像识别的结果，并且对图像识别的具体流程方面的细节也不用过多了解，这样可以提高采用图像识别技术生产制造出来的产品的实际应用性能。此外，图像识别技术和计算机机器视觉技术两者之间存在着较大的关联，需要两种技术之间相互补充，共同推动图像识别技术的发展和进步。

目前，图像内目标检测的主要方法包括传统识别检测模式和深度学习识别检测模式。而深度学习在行人检测、图像分类等各个领域取得了突破性的进展。用于在图像识别领域，主要应用方向有图像分类、目标检测、目标跟踪、语义分割和实例分割[6-9]。总之，将深度学习应用在交通系统标志图像识别领域，将会有很大的发展前景和产生巨大的应用价值。

1.3 交通标志识别技术中存在的问题

目前对于交通标志的识别已经具备了一定的技术水平，但该技术在实际的应用中，也存在着一定的问题，并面临着一定的挑战，主要包括了以下几点：一是交通系统中的标志在长期的使用过程中，可能会出现颜色模糊或者是脱落的情况，同时交通系统中的标志也容易出现污染的情况，这些都会给后期的交通系统标志识别带来一定的问题。二是一般在对交通系统中的标志进行识别时，都是采用相机对图像进行采集，如果碰到恶劣天气，则对图像的采集会存在着较大的难度。三是在对交通系统中的标志进行识别的过程中，车辆一般都是处于行驶状态，如果车辆出现了较大的颠簸，则也会使得所采集到的图像出现模糊的情况，这些都会对后期的图像识别产生干扰，采集的标志模糊图像如图1所示。

图1 交通系统标志

2 CNN

2.1 神经网络技术分析

神经网络技术在优化计算和数据处理技术当中具有重要的应用，可以采用神经网络技术来建立交通系统标志识别模型。神经网络技术的类型较多，如BP神经网络技术、GA-BP神经网络技术、CNN等，不同类型的神经网络算法，在实际计算中流程有所不同，本文以CNN技术为例，分析交通系统标志识别模型的构建。在神经网络技术当中，包括了多个不同的神经元，从结构上可分为输入层、隐含层和输出层等3个不同的数据计算层次，输入数据经过隐含层的处理之后，再经过输出层，得出具体的计算结果。其中对于输入层，可以选取关键的特征量作为输入元素。

2.2 CNN分析

和传统的神经网络技术相比，CNN技术更能够和生物学中神经网络结构相符合。对于外界的输入信息，首先进行抽象，将没有利用价值的信息加以去除，并将有用的数据加以保留，并抽象出一个关键的数据特征，之后再对数据做匹配。而在CNN技术中，卷积层中对数据特征的提取就是抽象数据特征的过程[10-11]。一般在CNN结构当中，包括了连接网络、卷积和池化等3个主要部分。当采集到的交通标志图像信息输入到CNN分析系统中之后，就通过卷积计算来提取出交通系统标志图像中的特征数据。在卷积层当中，需要采用到激活函数，从而使得对交通系统标志图像特征数据的提取效率得到提高，之后在池化层当中，就可以对模型所需要的计算量加以降低，从而提高计算效率。在最后的连接网络当中，可以给出最后的分析处理结果，即将输入及输出层当中的各个神经元加以相互连接，图2为全连接的示意图。

图2 全连接示意

3 CNN对交通标志的识别技术分析

3.1 图像识别概述

在本文所分析的图像识别技术中，涉及几个关键的技术环节，包括了对图像数据信息的获取，这是对图像进行识别的基础条件。当识别到了图像数据信息之后，再对这些图像数据进行初步的预处理，同时还需要对图像加以切图。这些都是图像识别技术中的关键环节，任何一个环节出现了问题，都将会导致识别到的图像结果不够准确[12-15]。其次是开展模式的识别及匹配，最后就可以得到图像识别的结果。在图像识别技术中，所采取到的图像识别算法，对于图像识别的准确率有着直接的影响，需要构建出准确的图像识别模型。在图像识别算法中，可以利用目前所发展起来的深度学习技术，并和人工神经网络、CNN等技术加以结合，使得对图像识别更为准确，识别效率也更高。

3.2 利用CNN识别交通标志

在利用CNN识别交通标志方法当中，需要构建SSD网络模型，其中SSD即表示单发多盒检测器，图3为SSD网络结构。

图3 SSD网络结构

卷积操作可使用一个小的“模板窗口”对一个图片中的所有与模板大小相同的区域进行“卷积运算”。CNN对于大多数的机器学习用户来说都是一个重要的工具，CNN可以识别场景，也可以提供相关的标签。利用SSD网络，可以将不同尺寸的交通系统图像进行分类，同时在对交通系统标志进行识别的过程中，需要对数据进行训练，在训练前对原数据应进行数据扩充，从而保证了训练集数据类型的平衡，并对数据进行预处理，来改善特征提取，使得所识别到的交通系统标志更为准确。