基于集成卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別

張功國，吳 建，易 億，王梓權(quán)，孫海霞

(重慶郵電大學(xué) 通信與信息工程學(xué)院,重慶 400065)

0 引 言

近年來隨著汽車數(shù)量的增加，安全駕駛成為人們關(guān)心的問題，于是智能交通輔助駕駛系統(tǒng)應(yīng)運(yùn)而生。同時(shí)，自動(dòng)駕駛汽車也逐漸受到各大公司的青睞，例如，百度在無人駕駛上做了很多的研究和貢獻(xiàn)。在未來，自動(dòng)駕駛將是一個(gè)研究熱點(diǎn)。無論是智能交通輔助駕駛系統(tǒng)還是自動(dòng)駕駛技術(shù)，交通標(biāo)志識(shí)別都是其重要組成部分之一，受到了國內(nèi)外研究人員的廣泛關(guān)注。

早期交通標(biāo)志識(shí)別方法主要依賴于圖像形態(tài)學(xué)，分割和提取各種圖像特征。文獻(xiàn)[1]利用色段和形狀檢測技術(shù)創(chuàng)建了一種道路標(biāo)志識(shí)別方法，該方法在50個(gè)道路標(biāo)志識(shí)別上取得了很好的效果，但實(shí)時(shí)道路標(biāo)志的顏色和形狀會(huì)有較大變化，該方法受顏色和形狀變化影響較大。文獻(xiàn)[2]首先提取交通標(biāo)志圖像尺度不變特征變換(scale-invariant feature transform，SIFT)特征，然后對所識(shí)別的交通標(biāo)志與標(biāo)準(zhǔn)交通標(biāo)志進(jìn)行相似度計(jì)算，從而識(shí)別交通標(biāo)志。H Mahi等[3]提出了基于Zernike矩不變量和支持向量機(jī)的分類方法，該方法雖然對縮放和旋轉(zhuǎn)后的交通標(biāo)志有很好的識(shí)別效果，但光線變化會(huì)嚴(yán)重影響系統(tǒng)的分類效果。不少研究人員利用圖像的方向梯度直方圖(histogram of oriented gradient，HOG)特征對圖像進(jìn)行分類。Pei等[4]提出了一種新的有監(jiān)督的低秩矩陣恢復(fù)模型，引入了一個(gè)有監(jiān)督的懲罰項(xiàng)。然而在對圖片做預(yù)處理操作時(shí)，每幅圖像提取方向梯度(HOG)特征直方圖的時(shí)間達(dá)到0.01 s，不能滿足實(shí)時(shí)交通標(biāo)志識(shí)別的要求。文獻(xiàn)[5]采用K-d樹與帶有距離變換和HOG特征的隨機(jī)森林方法對交通標(biāo)志進(jìn)行識(shí)別。同時(shí)，HOG特征結(jié)合SVM分類器早已被廣泛應(yīng)用于圖像識(shí)別中，文獻(xiàn)[6]采用具有HOG特征的SVM分類器用于交通標(biāo)志識(shí)別。徐巖等[7]利用降維后的HOG特征進(jìn)行極限學(xué)習(xí)機(jī)模型訓(xùn)練，然后利用經(jīng)過訓(xùn)練的極限學(xué)習(xí)機(jī)模型識(shí)別交通標(biāo)志圖像。文獻(xiàn)[8]在對交通標(biāo)志的特征提取時(shí)采用集成的深玻爾茲曼機(jī)和典型相關(guān)分析相結(jié)合的算法進(jìn)行，與基于HOG和LBP特征提取的算法相比具有更高的識(shí)別率。

盡管交通標(biāo)志的識(shí)別已有多年的研究經(jīng)驗(yàn)，但真實(shí)世界中的交通標(biāo)志識(shí)別情況復(fù)雜，交通標(biāo)志圖像的質(zhì)量會(huì)受到很多因素的影響，比如光照條件、復(fù)雜的背景環(huán)境、交通標(biāo)志部分被遮擋、交通標(biāo)志位置的偏移、行車速度等等，這些不定因素給實(shí)時(shí)的交通標(biāo)志識(shí)別帶來了很大的困難。

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)是近年研究的一大熱點(diǎn)，并在圖像識(shí)別領(lǐng)域取得了顯著的成績[9-13]。Lecun Y等[9]提出了LeNet-5模型，采用卷積層和下采樣層交替連接對輸入圖像進(jìn)行前向傳導(dǎo)，在MNIST手寫數(shù)字識(shí)別上取得了很好的效果，測試的正確率在97.5%～98.2%之間。Krizhevsky等[10]提出了深度卷積神經(jīng)網(wǎng)絡(luò)AlexNet結(jié)構(gòu)，使用ReLU激活函數(shù)，并利用GPU進(jìn)行訓(xùn)練，在2012年的ImageNet圖像分類競賽中取得了冠軍。

鑒于CNN在圖像識(shí)別領(lǐng)域取得的良好效果，本文提出一種基于集成卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別的方法。集成網(wǎng)絡(luò)的基分類器采用卷積神經(jīng)網(wǎng)絡(luò)，為提高基分類器的分類性能，對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了優(yōu)化處理。具體包括使用ReLU激活函數(shù)來代替?zhèn)鹘y(tǒng)的激活函數(shù)；使用批量歸一化方法來加快網(wǎng)絡(luò)訓(xùn)練速度；利用SVM代替softmax分類器。

1 卷積神經(jīng)網(wǎng)絡(luò)

CNN是一種深度前饋人工神經(jīng)網(wǎng)絡(luò)，由于其局部感知和權(quán)值共享的特點(diǎn)，使其在圖像識(shí)別領(lǐng)域得到了廣泛應(yīng)用。人們對外界事物的觀察都是從局部到全局，而圖像的局部像素聯(lián)系緊密，相關(guān)性較高。CNN只需要對局部進(jìn)行感知，然后在更高層將局部信息綜合起來就得到了全局信息，這就是局部感知。圖像的一部分統(tǒng)計(jì)特性與其他部分是類似的，因此，CNN通過在圖像的某個(gè)部分學(xué)習(xí)到的特征應(yīng)用到圖像的其他部分，這就是權(quán)值共享。CNN利用局部感知和權(quán)值共享的思想極大地減少了訓(xùn)練網(wǎng)絡(luò)所需參數(shù)的個(gè)數(shù)，加快網(wǎng)絡(luò)訓(xùn)練速度。同時(shí)，CNN包括2個(gè)重要組成部分，卷積層和池化層。

1.1 卷積層

卷積層是卷積網(wǎng)絡(luò)的核心組成部分，完成大部分繁重計(jì)算的工作。卷積層的參數(shù)由一組可學(xué)習(xí)的過濾器組成，在正向傳播過程中，我們沿著輸入圖片的寬度和高度滑動(dòng)每一個(gè)過濾器，并計(jì)算過濾器的條目和任意位置的輸入之間的點(diǎn)積。當(dāng)網(wǎng)絡(luò)在輸入圖片的寬度和高度上滑動(dòng)濾波器時(shí)，網(wǎng)絡(luò)將生成一個(gè)二維激活圖，展示出每個(gè)空間位置濾波器的響應(yīng)，再經(jīng)過激活函數(shù)得到新的特征圖像，詳細(xì)運(yùn)算過程表示為

(1)

1.2 池化層

池化操作是在盡量不破壞數(shù)據(jù)的內(nèi)在聯(lián)系的情況下對卷積后的特征圖進(jìn)行抽樣操作，以降低網(wǎng)絡(luò)計(jì)算復(fù)雜度，提高對位移、縮放等變換的魯棒性，對原圖像特征進(jìn)行保留，同時(shí)在一定程度上防止過擬合。常見的池化計(jì)算有最大池化和平均池化，本文采用最大池化進(jìn)行運(yùn)算，詳細(xì)運(yùn)算過程為

(2)

2 CNN-SVM交通標(biāo)志識(shí)別器

2.1 激活函數(shù)的選取

激活函數(shù)對網(wǎng)絡(luò)的收斂速度有很大影響，效果好的激活函數(shù)可以使網(wǎng)絡(luò)的收斂速度得到提高。同時(shí)激活函數(shù)使得卷積神經(jīng)網(wǎng)絡(luò)有了非線性映射能力，在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中最常用的2個(gè)激活函數(shù)分別為Sigmoid和Tanh，其表達(dá)式分別為(3)式與(4)式，它們都屬于飽和非線性函數(shù)。本文選擇ReLU函數(shù)作為卷積神經(jīng)網(wǎng)絡(luò)的激活函數(shù)以減少網(wǎng)絡(luò)訓(xùn)練時(shí)間，函數(shù)表達(dá)式為(5)式。對于梯度下降(gradient descent，GD)訓(xùn)練時(shí)間而言，線性修正函數(shù)ReLU作為激活函數(shù)可以使卷積神經(jīng)網(wǎng)絡(luò)更快速地收斂[11]。

Sigmoid函數(shù)表達(dá)式為

(3)

Tanh函數(shù)表達(dá)式為

(4)

ReLU函數(shù)表達(dá)式為

f(x)=max(0,x)

(5)

2.2 批量歸一化方法

CNN-SVM交通標(biāo)志識(shí)別系統(tǒng)的主要部分是依靠CNN對交通標(biāo)志圖像的特征提取，而訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)相當(dāng)復(fù)雜的過程。卷積神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)中每一層都會(huì)受到它上一層的影響，這就導(dǎo)致了卷積層前面幾層發(fā)生微小的變化，后面幾層就會(huì)把這個(gè)微小的變化進(jìn)行放大。卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的過程中，每一層的訓(xùn)練數(shù)據(jù)分布會(huì)不斷的發(fā)生變化，而每一層的學(xué)習(xí)率也不同，為滿足損失函數(shù)有效下降，通常選擇最小的學(xué)習(xí)率來保證整個(gè)卷積神經(jīng)網(wǎng)絡(luò)的有效訓(xùn)練，這樣就減慢了網(wǎng)絡(luò)訓(xùn)練速度，同時(shí)使訓(xùn)練網(wǎng)絡(luò)變得困難。針對這種問題，Sergey Ioffe等[14]提出批量歸一化方法，BN算法對每一層的線性和非線性計(jì)算的中間數(shù)據(jù)歸一化為均值為0，方差為1，使處理后的數(shù)據(jù)穩(wěn)定，這樣可以以較大的學(xué)習(xí)率去訓(xùn)練整個(gè)網(wǎng)絡(luò)，讓網(wǎng)絡(luò)快速收斂，從而訓(xùn)練速度得到提高。BN算法對某一層網(wǎng)絡(luò)的數(shù)據(jù)做歸一化處理為

(6)

批量歸一化公式(6)對網(wǎng)絡(luò)某一層數(shù)據(jù)做歸一化處理時(shí)，會(huì)影響到這一層所學(xué)習(xí)到的特征。為此BN算法又加入了2個(gè)參數(shù)γ和β，使得

(7)

(8)

2.3 分類器的選取

卷積神經(jīng)網(wǎng)絡(luò)的卷積層和池化層具有較好特征提取的能力。因此，本文將CNN作為交通標(biāo)志圖像的特征提取器，以實(shí)現(xiàn)對交通標(biāo)志的分類處理。Softmax分類器會(huì)計(jì)算出所有類別的概率，并且不斷計(jì)算讓概率分布更趨向于標(biāo)準(zhǔn)結(jié)果，這樣會(huì)花費(fèi)大量的計(jì)算時(shí)間。SVM是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論在特征空間中構(gòu)建最優(yōu)分類超平面，使得學(xué)習(xí)達(dá)到全局最優(yōu)，可達(dá)到良好的分類效果。而SVM分類器只計(jì)算各個(gè)類別的得分，當(dāng)各類得分滿足了分類器的要求，知道了正確分類結(jié)果后就不再計(jì)算，從而能大幅提高訓(xùn)練速度。所以，本文用SVM分類器代替Softmax分類器，極大地縮短了網(wǎng)絡(luò)的訓(xùn)練時(shí)間，能快速收斂到最優(yōu)值。

CNN-SVM交通標(biāo)志識(shí)別算法主要有2個(gè)步驟：①利用CNN網(wǎng)絡(luò)提取交通標(biāo)志的圖像特征，并將其輸入到SVM中；②利用SVM進(jìn)行交通標(biāo)志分類。圖1為CNN-SVM的基本算法框架。

圖1 CNN-SVM的算法框架Fig.1 Framework of the proposed CNN-SVM

3 實(shí)驗(yàn)與分析

本次實(shí)驗(yàn)所使用的計(jì)算機(jī)配置為Intel(R) Core(TM) i5-6500 CPU，3.2 GHz主頻，8 GByte內(nèi)存，使用GTX1060顯卡內(nèi)存6 GByte來加速訓(xùn)練，實(shí)驗(yàn)平臺(tái)為Windows7(64 bit)操作系統(tǒng)，開發(fā)平臺(tái)為Keras，后端為theano。

3.1 數(shù)據(jù)準(zhǔn)備

本文使用的數(shù)據(jù)集是德國交通標(biāo)志識(shí)別數(shù)據(jù)庫[15]，GTSRB數(shù)據(jù)庫中的交通標(biāo)志圖像全部從德國自然場景中采集得到，能夠真實(shí)反映出實(shí)時(shí)的交通標(biāo)志，共有43類交通標(biāo)志，合計(jì)51 839幅圖像，被分為訓(xùn)練集和測試集2部分，其中訓(xùn)練集有39 209幅圖像，測試集有12 630幅圖像。圖2顯示數(shù)據(jù)集中43類交通標(biāo)志集合。圖3顯示訓(xùn)練集中43類交通標(biāo)志的分布情況。圖4顯示測試集中43類交通標(biāo)志的分布情況。其中，每幅圖像內(nèi)只包含一個(gè)交通標(biāo)志，每幅圖像都是從實(shí)時(shí)車載上取得的交通標(biāo)志，所有的交通標(biāo)志圖像尺寸在15×15像素到222×193像素之間。數(shù)據(jù)集中包含了大量不利條件下的交通標(biāo)志圖像，比如低分辨率、圖像中部分標(biāo)志被遮擋、不同光照強(qiáng)度、運(yùn)動(dòng)模糊、視角傾斜等，能較全面的反映現(xiàn)實(shí)駕車情況，增加識(shí)別系統(tǒng)的魯棒性。

圖2 GTSRB的交通標(biāo)志種類Fig.2 Traffic signs classes of the GTSRB

圖3 GTSRB訓(xùn)練集中交通標(biāo)志種類的分布Fig.3 Class distribution across training GTSRB dataset

圖4 GTSRB測試集中交通標(biāo)志種類的分布Fig.4 Class distribution across test GTSRB dataset

為滿足本次集成卷積神經(jīng)網(wǎng)絡(luò)的需求，需要對GTSRB數(shù)據(jù)集做預(yù)處理，具體步驟如下。

1)每幅交通標(biāo)志圖像都有10%的冗余邊，為減少背景信息的干擾和冗余信息，對圖片進(jìn)行裁剪，使交通標(biāo)志充滿整個(gè)圖像。

2)對數(shù)據(jù)集進(jìn)行擴(kuò)展：

①對圖像做鏡像處理；

②將圖像旋轉(zhuǎn)-8°和 8°；

③將圖像向左、右各平移4個(gè)像素；

3)將圖片分別轉(zhuǎn)換成像素大小為48×48和32×32這2種大小格式。

3.2 集成卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)

集成學(xué)習(xí)算法是在實(shí)踐中總結(jié)出來的具有良好效果的算法。集成學(xué)習(xí)是指對多個(gè)分類器通過某種方式進(jìn)行集成，使得分類性能得到提高。總的來說，標(biāo)準(zhǔn)的集成卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別率要比被集成的單個(gè)卷積神經(jīng)網(wǎng)絡(luò)高。

本文選用Bagging集成算法[16]，它是在訓(xùn)練集中進(jìn)行隨機(jī)抽樣，每次抽取樣本后都要放回到訓(xùn)練數(shù)據(jù)集中，抽取后的單個(gè)數(shù)據(jù)集大小和原訓(xùn)練數(shù)據(jù)集大小相同，內(nèi)容上有一定差異。選擇CNN-SVM交通標(biāo)志識(shí)別器作為基分類器模型，本次集成卷積神經(jīng)網(wǎng)絡(luò)選用6個(gè)不同結(jié)構(gòu)的CNN-SVM交通標(biāo)志識(shí)別器進(jìn)行集成，采用簡單投票的方法對基分類器的分類結(jié)果進(jìn)行融合，其大致結(jié)構(gòu)如圖5。

圖5 集成卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.5 Structure of ensemble convolutional neural network

CNN的卷積層數(shù)對CNN-SVM的性能有很大的影響，對卷積神經(jīng)網(wǎng)絡(luò)而言，卷積層數(shù)的增加會(huì)使得網(wǎng)絡(luò)對圖像特征的提取更加充分，同時(shí)也會(huì)導(dǎo)致網(wǎng)絡(luò)過擬合。卷積層數(shù)過低導(dǎo)致圖像特征提取不充分，影響系統(tǒng)識(shí)別率。為了選擇合適的卷積層數(shù)，本文采用控制變量法，每一層卷積核個(gè)數(shù)設(shè)置為108個(gè)，采用隨機(jī)初始化,然后逐層增加卷積層數(shù)來對比不同卷積層數(shù)對CNN-SVM識(shí)別率的影響。實(shí)驗(yàn)數(shù)據(jù)采用德國交通標(biāo)志數(shù)據(jù)庫，實(shí)驗(yàn)結(jié)果如表1。從表1中可以看出，采用本文的CNN-SVM系統(tǒng)，以德國交通標(biāo)志數(shù)據(jù)集為研究對象，當(dāng)卷積層數(shù)為3時(shí)識(shí)別率最高，因此，本系統(tǒng)卷積層采用3層最合適。

表1 卷積層數(shù)與正確率的關(guān)系

合理的構(gòu)建基分類器才能體現(xiàn)集成算法的優(yōu)越性，在保證基分類器分類正確率的同時(shí)，也要保證不同基分類器的分類能力的差異性。本文使用的所有CNN-SVM交通標(biāo)志識(shí)別器的卷積層數(shù)為3層，主要區(qū)別在于各層卷積核的大小和特征圖的個(gè)數(shù)。其中，基分類器CNN-SVM_1，CNN-SVM_2，CNN-SVM_3的輸入交通標(biāo)志圖片的像素大小為32×32，基分類器CNN-SVM_4，CNN-SVM_5，CNN-SVM_6的輸入交通標(biāo)志圖片的像素大小為48×48。本文通過對各個(gè)基分類器的卷積核大小以及特征圖個(gè)數(shù)的合理設(shè)置，讓各個(gè)基分類器來學(xué)習(xí)交通標(biāo)志圖像的不同特征，從而保證基分類器的差異性?；诸惼鰿NN-SVM_1，CNN-SVM_2，CNN-SVM_3的卷積層的詳細(xì)參數(shù)如表2，基分類器CNN-SVM_4，CNN-SVM_5，CNN-SVM_6的卷積層的詳細(xì)參數(shù)如表3。本文使用3層卷積層的CNN-SVM，采用卷積層和池化層交替的結(jié)構(gòu)。其中，卷積核的步長均為1，池化層均采用最大池化，池化窗口大小為2×2，步長為2。

表2 CNN-SVM_1，CNN-SVM_2，CNN-SVM_3卷積層詳細(xì)參數(shù)

表3 CNN-SVM_4，CNN-SVM_5，CNN-SVM_6卷積層詳細(xì)參數(shù)Tab.3 Detailed parameters of CNN-SVM_4,CNN-SVM_5,CNN-SVM_6 convolution layer

3.3 實(shí)驗(yàn)結(jié)果

本文所使用6個(gè)卷積神經(jīng)網(wǎng)絡(luò)的卷積層的權(quán)值都使用均值為0，方差為0.01的高斯分布函數(shù)進(jìn)行隨機(jī)初始化，所有偏置初始化為0。本次訓(xùn)練采用批量隨機(jī)梯度下降法，mini-batch大小為128。

1)本文改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)CNN-SVM與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的性能對比。

取CNN-SVM_1作為改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)的代表，然后構(gòu)造出一個(gè)卷積層結(jié)構(gòu)大小和CNN-SVM_1相同的卷積神經(jīng)網(wǎng)絡(luò)CNN，其網(wǎng)絡(luò)結(jié)構(gòu)是3層卷積層和3層池化層交替連接，一個(gè)全連接層和一個(gè)分類層，分類層使用softmax分類器，以sigmoid函數(shù)作為激活函數(shù)。以本文經(jīng)過預(yù)處理的GTSRB數(shù)據(jù)庫，圖片像素大小為32×32作為本實(shí)驗(yàn)的訓(xùn)練和測試數(shù)據(jù)集，實(shí)驗(yàn)結(jié)果如表4和表5。從表4可以看出，沒有經(jīng)過改進(jìn)的CNN，雖然卷積結(jié)構(gòu)相同，但識(shí)別率僅為88.67%，而經(jīng)過改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)CNN-SVM_1識(shí)別率可達(dá)97.12%。同時(shí)從表5可以看出，CNN-SVM_1的訓(xùn)練時(shí)間為363.12 min，而具有相同卷積結(jié)構(gòu)的CNN的訓(xùn)練時(shí)間為486.91 min。CNN-SVM_1的單幅圖片測試時(shí)間為0.21 ms，具有相同卷積結(jié)構(gòu)的CNN的單幅圖片測試時(shí)間為0.23 ms。雖然CNN-SVM_1在單幅圖片測試時(shí)間上沒有顯著性的提高，但訓(xùn)練時(shí)間減少了25.42%。

表4 CNN-SVM_1與相同卷積結(jié)構(gòu)的CNN識(shí)別率對比Tab.4 Comparison of recognition rates between CNN-SVM_1 and CNN of the same convolution structure %

表5 CNN-SVM_1與相同卷積結(jié)構(gòu)的CNN訓(xùn)練和測試時(shí)間對比Tab.5 Comparison of training and test time between CNN-SVM_1 and CNN of the same convolution structure

2)集成卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別的性能評估。

利用bagging算法處理訓(xùn)練集原則對經(jīng)過預(yù)處理的訓(xùn)練集進(jìn)行處理，抽選出6組大小和預(yù)處理后的訓(xùn)練集相同但內(nèi)容有一定差異性的訓(xùn)練集。其中，從交通標(biāo)志圖像尺寸為32×32像素和48×48像素中各抽取3組訓(xùn)練集，這樣一共有6組訓(xùn)練集分別供CNN-SVM_1，CNN-SVM_2，CNN-SVM_3，CNN-SVM_4，CNN-SVM_5，CNN-SVM_6進(jìn)行訓(xùn)練。用訓(xùn)練好的集成卷積神經(jīng)網(wǎng)絡(luò)來對測試集進(jìn)行測試，其識(shí)別率可達(dá)98.29%。并與現(xiàn)有SVM，LDA on HOG1，Random Forests，Committee of CNNs方法進(jìn)行對比，其中SVM通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分，從而使得高維特征空間采用線性算法對樣本的非線性特征進(jìn)行線性分析；LDA on HOG1利用交通標(biāo)志圖像的HOG特征，采用Fisher線性判別來對圖像進(jìn)行識(shí)別；Random Forests是包含多個(gè)決策樹的分類器，并且其輸出的類別是由個(gè)別樹輸出的類別的眾數(shù)而定；Committee of CNNs則是以有監(jiān)督的學(xué)習(xí)方式，將多列DNN組合成一個(gè)較為復(fù)雜的系統(tǒng)。各算法識(shí)別率結(jié)果如表6所示。本文算法識(shí)別率優(yōu)于SVM，LDA on HOG1，Random Forests方法，接近于人類識(shí)別能力，而本文單幅交通標(biāo)志圖像的測試時(shí)間為1.32 ms，識(shí)別速度遠(yuǎn)高于人類識(shí)別速度。而Committee of CNNs算法識(shí)別率達(dá)到99.46%[17]，但網(wǎng)絡(luò)比較復(fù)雜導(dǎo)致訓(xùn)練時(shí)間過長，需要4塊GPU訓(xùn)練37 h。因此，本文算法在保證識(shí)別時(shí)間較短的同時(shí)取得了較高的識(shí)別率。

表6 各算法識(shí)別率對比Tab.6 Comparison of recognition rates of different algorithms %

4 結(jié)束語

本文以真實(shí)場景中拍攝的德國交通標(biāo)志數(shù)據(jù)集(GTSRB)為研究對象，提出了一種基于集成卷積神經(jīng)網(wǎng)絡(luò)的算法對交通標(biāo)志圖像進(jìn)行識(shí)別。算法的特點(diǎn)是：首先對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，提出了一種CNN-SVM的分類器，實(shí)驗(yàn)結(jié)果表明該分類器不僅縮短了網(wǎng)絡(luò)訓(xùn)練時(shí)間，還提高了網(wǎng)絡(luò)對交通標(biāo)志圖像的識(shí)別率；然后以CNN-SVM作為基分類器來構(gòu)建集成卷積神經(jīng)網(wǎng)絡(luò)，最后的識(shí)別率達(dá)到98.29%，接近人類識(shí)別能力，且單幅交通標(biāo)志圖像的測試時(shí)間為1.32 ms，能夠滿足實(shí)際應(yīng)用要求。后續(xù)工作目標(biāo)是能夠在真實(shí)環(huán)境中迅速檢測到交通標(biāo)志，結(jié)合本文的交通標(biāo)志識(shí)別算法，設(shè)計(jì)出一個(gè)能應(yīng)用在實(shí)時(shí)交通環(huán)境中的交通標(biāo)志檢測與識(shí)別系統(tǒng)。