应用深层卷积神经网络的交通标志识别

《应用深层卷积神经网络的交通标志识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、应用深层卷积神经网络的交通标志识别黄琳，张尤赛（江苏科技大学电子信息学院，江苏镇江212003）摘要：在实际交通环境中，由于运动模糊、背景干扰、天气条件以及拍摄视角等因素，所采集的交通标志的图像质量往往不高，这就对交通标志自动识别的准确性、鲁棒性和实时性提出了很高的要求。针对这一情况，提出一种基于深层卷积神经网络的交通标志识别方法。该方法采用深层卷积神经网络的有监督学习模型，直接将采集的交通标志图像经二值化后作为输入，通过卷积和池采样的多层处理，来模拟人脑感知视觉信号的层次结构，自动地提取交通标志图像的特征，最后再利用一个全连接的网络实现交通标志的识别。实验结果表明，该方法利用卷积

2、神经网络的深度学习能力，自动地提取交通标志的特征，避免了传统的人工特征提取，有效地提高了交通标志识别的效率，具有良好的泛化能力和适应范围。.jyqka的神经认知机中提出的[8]，基于神经元之间的局部连接和分层组织图像转换，将有相同参数的神经元应用于前一层神经网络的不同位置，得到一种平移不变神经网络结构形式。后来，LeCun等人在该思想的基础上，用误差梯度设计并训练卷积神经网络[9?10]，在一些模式识别任务上得到优越的性能。卷积神经网络本质上是一种有监督的深度学习算法，无需事先知道输入与输出之间精确的数学表达式，只要用已知的模式对卷积神经网络加以训练，就可以学习到输入与输出之间的一

3、种多层的非线性关系，这是非深度学习算法不能做到的。卷积神经网络的基本结构是由一系列的卷积和池化层以及一个全连接的输出层组成，可以采用梯度下降法极小化误差函数对网络中的权值和阈值参数逐层反向调节，以得到网络权值和阈值的最优解，并可以通过增加迭代次数来提高网络训练的精度。1.2.1前向传播在卷积神经网络的前向传播中，输入的原始图像经过逐层的卷积和池化处理后，提取出若干特征子图并转换成一维特征矢量，最后由全连接的输出层进行分类识别。在卷积层中，每个卷积层都可以表示为对前一层输入图像的二维卷积和非线性激励函数，其表达式可用式（1）表示：式中：Yj表示输出层中第j个输出；Yl+1i是前一层（

4、l+1层）的输出特征（全连接的特征向量）；n是输出特征向量的长度；ax{y1，y2,…,yC}，则Input∈j，即判定输入的交通标志图像Input为第j类交通标志。2.2交通标志识别的基本步骤深层神经网络识别交通标志主要包括交通标志的训练与识别，所以将交通标志识别归纳为以下4个步骤：（1）图像预处理：利用公式Gray=0.299R+0.587G+0.114B将彩色交通标志图像转换为灰度图像，再利用邻近插值法将交通标志图像规格化，最后利用最大类间方差将交通标志图像二值化。（2）网络权值和阈值的初始化：利用随机分布函数将权值agazines，1989，86（11）：2278?2324

5、.[8]LECUNY，BOTTOUL，BENGIOY，etal.BackpropagationappliedtohandndeepneuralageProcessingApplication.KualaLumpur：IEEE，2011，342?347.[11]杨斐，王坤明，马欣，等.应用BP神经网络分类器识别交通标志[J].计算机工程，2003，29（10）：120?121.[12]BUVRIEJ.Notesonconvolutionalneuralatlab仿真设计[M].北京：清华大学出版社，2005.[14]孙志军，薛磊，许阳明，等.深度学习研究综述[J].计算机应用研究，2

6、012，29（8）：2806?2810.[15]刘建伟，刘媛，罗雄麟.深度学习研究进展[J].计算机应用研究，2014（7）：1921?1930.简介：黄琳（1989—），女，江苏海门人，硕士。研究方向为图像处理与计算机视觉。张尤赛，男，山东海阳人，博士，教授。研究方向为图像处理、计算机可视化等。