基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志ROI 提取與識(shí)別

張博

（華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣東廣州 510640）

交通標(biāo)志識(shí)別是智能輔助駕駛的重要組成部分，對(duì)無(wú)人駕駛領(lǐng)域的發(fā)展有直接的推動(dòng)作用。近年來(lái)，城鄉(xiāng)公路建設(shè)迅速，復(fù)雜自然場(chǎng)景對(duì)交通標(biāo)志識(shí)別的穩(wěn)定性提出了新的挑戰(zhàn)。目前對(duì)交通標(biāo)志的識(shí)別方法主要有模板匹配、機(jī)器學(xué)習(xí)以及卷積神經(jīng)網(wǎng)絡(luò)等[1]。從現(xiàn)有研究來(lái)看，基于卷積神經(jīng)網(wǎng)絡(luò)的分類方法在預(yù)測(cè)準(zhǔn)確率、泛化性以及實(shí)時(shí)性方面相比于其他方法更高，并在交通標(biāo)志識(shí)別方面成功應(yīng)用。Natarajan 等人[2]改進(jìn)CNN的參數(shù)，利用加權(quán)組合的4 個(gè)并行CNN 網(wǎng)絡(luò)訓(xùn)練模型，精度超過(guò)99.59%，但結(jié)構(gòu)復(fù)雜；Shao[3]、Cao[4]等在傳統(tǒng)CNN的基礎(chǔ)上，利用Gabor 過(guò)濾器替代初始卷積核，并結(jié)合批量歸一化方法，提高了交通標(biāo)志識(shí)別率，但識(shí)別速度有待提升。這些傳統(tǒng)方法受到的干擾因素多，雖然數(shù)據(jù)集龐大但在某些特定場(chǎng)合仍存在不足。為減少無(wú)關(guān)干擾因素，通過(guò)去除背景使得模型在復(fù)雜環(huán)境中聚焦于交通標(biāo)志的感興趣區(qū)域是一種較好的處理思路。而全卷積網(wǎng)絡(luò)(Fully Convolution Network，F(xiàn)CN)的語(yǔ)義分割網(wǎng)絡(luò)[5]為背景的快速去除提供了很好的解決方法。Noh 等人[6]提出對(duì)稱語(yǔ)義分割模型DeconvNet，該模型在VGG16[7]的基礎(chǔ)上將SoftMax 層移除，相應(yīng)地加入對(duì)稱的上池化和反卷積模塊，然而該模型由于參數(shù)量太大而計(jì)算效率不高。Ronneberger 等人[8]提出UNet 對(duì)稱語(yǔ)義分割模型，該模型在各種醫(yī)學(xué)圖像以及自然圖像綜合表現(xiàn)效果較好，因此有較廣泛的實(shí)際應(yīng)用。

當(dāng)前針對(duì)交通標(biāo)志感興趣區(qū)域切割與識(shí)別的相關(guān)研究較少，文獻(xiàn)[9]提出了一種K-means 形狀匹配并使用對(duì)應(yīng)形狀的切割模板獲取ROI的方法，該方法計(jì)算量太大并且不能有效解決不同位置和旋轉(zhuǎn)角度的問(wèn)題。文中通過(guò)融合UNet 語(yǔ)義分割的優(yōu)良性能與LeNet5 較好的分類能力提出一種對(duì)交通標(biāo)志進(jìn)行感興趣區(qū)域提取與分類的新方法，該方法在感興趣區(qū)域切割上相比傳統(tǒng)方法有兩處顯著改進(jìn)，其一是使用了神經(jīng)網(wǎng)絡(luò)方法獲取交通標(biāo)志感興趣區(qū)域，通過(guò)其強(qiáng)大的表征能力將交通標(biāo)志與背景快速而準(zhǔn)確分離，從而為簡(jiǎn)單CNN 網(wǎng)絡(luò)結(jié)構(gòu)LeNet5的穩(wěn)定分類奠定了條件；其二是傳統(tǒng)方法均作用于灰度圖像并由紋理特征實(shí)現(xiàn)ROI 切割，而該文則是作用于彩色圖像，同時(shí)考慮顏色與紋理特征對(duì)交通圖像進(jìn)行ROI 切割，為語(yǔ)義分割網(wǎng)絡(luò)提供更多的特征，從而保證感興趣區(qū)域分割的準(zhǔn)確性。

1 基于UNet-LeNet5的識(shí)別框架

傳統(tǒng)機(jī)器學(xué)習(xí)一般基于顏色、形狀、紋理等特征對(duì)交通標(biāo)志進(jìn)行識(shí)別研究，這些方法計(jì)算量大并且適應(yīng)性差，無(wú)法滿足復(fù)雜自然場(chǎng)景下交通標(biāo)志的識(shí)別需求。但直接對(duì)這些感興趣特征進(jìn)行學(xué)習(xí)的思想對(duì)現(xiàn)在的研究仍有很強(qiáng)的借鑒意義，利用深度學(xué)習(xí)方法能夠充分挖掘復(fù)雜圖像數(shù)據(jù)的多重屬性[10]，通過(guò)將大量無(wú)關(guān)特征進(jìn)行過(guò)濾，從而降低圖像中復(fù)雜信息對(duì)分類的干擾，提升交通標(biāo)志識(shí)別算法的分類性能。為充分利用深度學(xué)習(xí)方法強(qiáng)大的特征提取能力，文中根據(jù)交通標(biāo)志的顏色、形狀特征設(shè)計(jì)出一種對(duì)交通標(biāo)志進(jìn)行感興趣區(qū)域提取與分類一體的UNet-LeNet5 模型，總體結(jié)構(gòu)包括圖像預(yù)處理、基于改進(jìn)語(yǔ)義分割網(wǎng)絡(luò)UNet 感興趣區(qū)域獲取（簡(jiǎn)稱ROI獲?。?、分類識(shí)別3 個(gè)部分，其識(shí)別流程如圖1 所示。

圖1 交通標(biāo)志識(shí)別流程

1.1 圖像預(yù)處理

對(duì)于自然場(chǎng)景的交通標(biāo)志圖像，其光照條件以及霧氣等因素對(duì)圖像明暗和清晰度影響較大，而這個(gè)問(wèn)題可以通過(guò)直方圖均衡化進(jìn)行對(duì)比度調(diào)整得到有效解決。文獻(xiàn)[11]使用了3 種不同直方圖均衡化處理方式對(duì)交通標(biāo)志的灰度圖像進(jìn)行預(yù)處理，實(shí)驗(yàn)對(duì)比分析得出，對(duì)比度有限直方圖均衡方法在交通標(biāo)志預(yù)處理方面表現(xiàn)較好。而語(yǔ)義分割一般針對(duì)RGB 彩色圖像，使用對(duì)比度有限直方圖均衡進(jìn)行圖像預(yù)處理時(shí)，通過(guò)將圖像的RGB 空間轉(zhuǎn)換為YUV 或LAB 空間進(jìn)行對(duì)比度調(diào)整后，轉(zhuǎn)回RGB 空間時(shí)會(huì)出現(xiàn)色彩暗淡的現(xiàn)象。因此對(duì)于RGB 彩色圖像，在該方法基礎(chǔ)上還需要進(jìn)一步調(diào)整對(duì)比度，具體操作是對(duì)圖像的R、G、B 3 個(gè)通道分別進(jìn)行灰度拉伸及去霧氣處理，灰度拉伸公式見(jiàn)公式（1）。

在式（1）中，F(xiàn)(x,y)表示單個(gè)通道上的某像素點(diǎn)灰度拉伸處理后對(duì)應(yīng)的亮度值，f(x,y)表示該點(diǎn)原來(lái)的亮度值，MAXf(x,y)和MINf(x,y)值由圖像的規(guī)模以及給定的暗色素和亮色素個(gè)數(shù)的最小比例確定。其中，單個(gè)通道灰度拉伸去霧氣的具體實(shí)現(xiàn)過(guò)程為：通過(guò)直方圖統(tǒng)計(jì)求出MAXf(x,y)和MINf(x,y)，并分別用MI和MA代替，當(dāng)MI小于或等于MA時(shí)通過(guò)式（1）進(jìn)行灰度拉伸。

從圖2 可以看出，通過(guò)對(duì)比度有限直方圖均衡化對(duì)原圖像進(jìn)行粗調(diào)后，利用去霧氣算法進(jìn)一步微調(diào)效果十分明顯，相比于直接使用直方圖均衡方法有更好的實(shí)際表現(xiàn)。

圖2 預(yù)處理效果對(duì)比

1.2 基于改進(jìn)UNet感興趣區(qū)域提取

UNet 是一種基于編碼器與解碼器的對(duì)稱語(yǔ)義分割網(wǎng)絡(luò)結(jié)構(gòu)，編碼器通過(guò)不同層次的下采樣操作從而學(xué)習(xí)到深層次的特征，解碼器則是不斷通過(guò)上采樣并與低層特征融合，從而恢復(fù)原圖大小，最后輸出對(duì)感興趣區(qū)域位置預(yù)測(cè)的二值mask 圖像。而UNet 主要針對(duì)尺寸較大的醫(yī)療圖像二分類語(yǔ)義分割問(wèn)題，在幾何形狀差異較大的交通標(biāo)志的語(yǔ)義分割上，其網(wǎng)絡(luò)預(yù)測(cè)精度難以保證。為將UNet 應(yīng)用于尺寸較小、形狀復(fù)雜的交通標(biāo)志圖像的語(yǔ)義分割并提高模型的預(yù)測(cè)精度，對(duì)其進(jìn)行一些結(jié)構(gòu)改進(jìn)與參數(shù)調(diào)整十分必要。

1.2.1 網(wǎng)絡(luò)具體改進(jìn)

改進(jìn)方法是將最后一層1×1 卷積的輸出通道數(shù)由1 到多調(diào)整（文中為1 到3），從而實(shí)現(xiàn)多分類，將二分類向多分類擴(kuò)展的本質(zhì)即是對(duì)每一種形狀進(jìn)行聚類，通過(guò)對(duì)不同幾何形狀交通標(biāo)志進(jìn)行分類處理有利于提高算法的穩(wěn)定性。實(shí)驗(yàn)過(guò)程中主要針對(duì)圓形、三角形標(biāo)志，具體操作中將背景看作類別0，圓形標(biāo)志看作類別1，三角形標(biāo)志看作類別2。由于分類方法發(fā)生了改變，因此還需將原來(lái)的二分類交叉熵?fù)p失函數(shù)相應(yīng)替換為多分類交叉熵?fù)p失函數(shù)，見(jiàn)公式（2）。

其中，N表示像素點(diǎn)的總個(gè)數(shù)，M表示類別的數(shù)量，yic表示指示變量，當(dāng)實(shí)際類別與像素點(diǎn)i對(duì)應(yīng)的類別相同時(shí)為1，不同時(shí)為0，pic表示像素點(diǎn)i屬于類別c的概率。改進(jìn)UNet網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。

圖3 改進(jìn)UNet網(wǎng)絡(luò)結(jié)構(gòu)

圖3 中，不同方塊是進(jìn)行相應(yīng)操作后生成的特征圖。除最后的一個(gè)1×1 卷積外，中間的每層卷積均進(jìn)行了批歸一化處理并使用了relu 激活函數(shù)。對(duì)于通過(guò)1×1 卷積生成的3 張二值圖像mask，序號(hào)0 對(duì)應(yīng)背景的類別，其位置上mask的白色區(qū)域是對(duì)背景區(qū)域位置的預(yù)測(cè)結(jié)果；序號(hào)1 對(duì)應(yīng)圓形標(biāo)志的類別，其位置上mask的白色區(qū)域是對(duì)圓形區(qū)域位置的預(yù)測(cè)結(jié)果（由于圖3 輸入的示例圖像為三角形標(biāo)志，因此序號(hào)1 上對(duì)圓形區(qū)域的預(yù)測(cè)為空，圖像顯示為黑色）；序號(hào)2 對(duì)應(yīng)三角形標(biāo)志的類別，其位置上mask的白色區(qū)域?qū)?yīng)三角形區(qū)域的預(yù)測(cè)結(jié)果。

1.2.2 ROI提取與前處理

由上述對(duì)背景區(qū)域、圓形區(qū)域、三角形區(qū)域位置的預(yù)測(cè)過(guò)程，對(duì)于圓形標(biāo)志與三角形標(biāo)志圖像，通過(guò)改進(jìn)UNet 語(yǔ)義分割網(wǎng)絡(luò)后與其感興趣區(qū)域位置對(duì)應(yīng)的mask 應(yīng)出現(xiàn)在序號(hào)1 或2。為確定目標(biāo)mask的序號(hào)，利用了目標(biāo)序號(hào)的mask 與序號(hào)0 對(duì)應(yīng)的mask的互補(bǔ)性質(zhì)，將最后SoftMax 輸出的特征圖上小于閾值的點(diǎn)的值設(shè)置為1，而將大于閾值的點(diǎn)的值設(shè)置為0，然后乘以255 輸出不同二值圖像mask。通過(guò)該取反操作，圖3 中序號(hào)0 對(duì)應(yīng)的mask 就相當(dāng)于與目標(biāo)mask（在圖3 中即是序號(hào)2 對(duì)應(yīng)的mask）進(jìn)行了位置交換，所以每次只需要取序號(hào)0 對(duì)應(yīng)的mask 與輸入圖像進(jìn)行按位與操作即可獲取感興趣ROI，也就不需要像Mask-RCNN[12]通過(guò)形狀判定然后輸出對(duì)應(yīng)的mask。為減少后續(xù)處理的計(jì)算量，進(jìn)一步將交通標(biāo)志ROI 圖像轉(zhuǎn)換為單通道灰度圖像，具體處理過(guò)程見(jiàn)公式（3）。

式（3）中，R、G、B分別代表某像素點(diǎn)3 個(gè)通道分別對(duì)應(yīng)的像素值。由于語(yǔ)義分割實(shí)驗(yàn)中針對(duì)的是64×64 輸入的交通圖像，因此ROI 提取與前處理后得到的是64×64 大小的交通標(biāo)志ROI 灰度圖像，整個(gè)過(guò)程見(jiàn)圖4。

圖4 ROI提取與前處理

1.3 基于LeNet5分類(分類識(shí)別)

通過(guò)改進(jìn)UNet 提取到交通標(biāo)志的感興趣區(qū)域后，考慮到待識(shí)別ROI 圖像的特征易于提取，使用輕量級(jí)CNN 分類結(jié)構(gòu)LeNet5 進(jìn)行分類。

為降低圖像分辨率對(duì)分類結(jié)果的影響，直接將原尺寸的ROI 圖像送入分類網(wǎng)絡(luò)，因此輸入層參數(shù)設(shè)置為64×64。而對(duì)于輸出層，由于后續(xù)只對(duì)15 個(gè)不同交通標(biāo)志進(jìn)行分類，因此最后SoftMax的輸出類別值為15，具體網(wǎng)絡(luò)參數(shù)配置見(jiàn)表1。

表1 具體參數(shù)設(shè)置

2 改進(jìn)UNet-LeNet5實(shí)驗(yàn)過(guò)程

該實(shí)驗(yàn)基于深度學(xué)習(xí)框架pytorch 實(shí)現(xiàn)，計(jì)算機(jī)配置如下：操作系統(tǒng)為Win10；顯卡為NVIDIA GeForce GTX 1050 Ti，4G 顯存；系統(tǒng)內(nèi)存為8 GB。改進(jìn)語(yǔ)義分割網(wǎng)絡(luò)UNet和LeNet5 分類識(shí)別網(wǎng)絡(luò)訓(xùn)練借鑒了CCTSDB 數(shù)據(jù)集[13]，該數(shù)據(jù)集對(duì)三大主要交通標(biāo)志進(jìn)行了標(biāo)注，原文件記錄了每幅自然場(chǎng)景圖像的交通標(biāo)志真實(shí)位置，對(duì)每個(gè)位置的交通標(biāo)志進(jìn)行剪裁并保存，統(tǒng)一圖片尺寸為64×64 對(duì)數(shù)據(jù)集進(jìn)行整理。實(shí)驗(yàn)過(guò)程中分別在警告標(biāo)志、指示標(biāo)志、禁令標(biāo)志中各取5 種子類的交通標(biāo)志，具體類別如圖5所示。

圖5 CCTSDB數(shù)據(jù)集

2.1 改進(jìn)UNet的實(shí)驗(yàn)過(guò)程與改進(jìn)前后對(duì)比

2.1.1 數(shù)據(jù)集選取與標(biāo)簽制作方法

由于語(yǔ)義分割是具體到對(duì)圖像像素的分類方式，因此對(duì)標(biāo)簽的制作精度要求比較高，而傳統(tǒng)圖像標(biāo)注工具LabelImg 對(duì)于尺寸較小的交通圖像標(biāo)注速度緩慢且難以保證精度要求。在制作的過(guò)程中，通過(guò)grabcut[14]算法手動(dòng)拾取分離前景與背景初步獲取感興趣區(qū)域位置對(duì)應(yīng)的mask 圖像，在此基礎(chǔ)上進(jìn)行相應(yīng)的直線擬合以及橢圓擬合操作以保證更好的幾何形狀精度。由于使用grabcut 算法的過(guò)程中每次手動(dòng)拾取前景與背景的操作精度上略有差異，因此對(duì)單張圖片重復(fù)制作的標(biāo)簽是不同的。

選取三角形和圓形兩種交通標(biāo)志構(gòu)建數(shù)據(jù)集，制作樣本總量為1 000。將對(duì)應(yīng)形狀的交通標(biāo)志圖像進(jìn)行對(duì)比度有限直方圖均衡和去霧氣預(yù)處理后，將其作為訓(xùn)練圖像，最后分別對(duì)每個(gè)圖像繪制mask，并且在mask的基礎(chǔ)上制作標(biāo)簽，其處理方式如圖6所示。其中，圓形交通標(biāo)志對(duì)應(yīng)類別1，并將其感興趣ROI 區(qū)域像素用1 進(jìn)行填充；三角形標(biāo)志對(duì)應(yīng)類別2，將其感興趣ROI 區(qū)域像素用2 進(jìn)行填充；背景區(qū)域?qū)?yīng)類別0，將背景區(qū)域使用像素0 進(jìn)行填充。因此，最后數(shù)據(jù)集中用到的單通道標(biāo)簽圖像整體看起來(lái)是黑色的而沒(méi)有展示。

圖6 改進(jìn)UNet標(biāo)簽制作

2.1.2 網(wǎng)絡(luò)訓(xùn)練過(guò)程與評(píng)估

設(shè)置學(xué)習(xí)率為0.000 1，batch-size 為1，沖量為0.9 以及權(quán)值衰減10-8進(jìn)行訓(xùn)練，訓(xùn)練優(yōu)化器選擇RMSprop 進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程的損失曲線如圖7所示。

圖7 損失曲線

由圖7 可以看出，改進(jìn)UNet的損失曲線最后穩(wěn)定收斂。為更加直觀地反映出其語(yǔ)義分割效果，將測(cè)試集通過(guò)語(yǔ)義分割網(wǎng)絡(luò)生成的mask 與實(shí)際mask計(jì)算Dice相關(guān)系數(shù)進(jìn)行比較，計(jì)算過(guò)程見(jiàn)公式（4）：

其中，gi代表像素點(diǎn)i的真實(shí)值，pi代表該點(diǎn)的預(yù)測(cè)值。相似系數(shù)取值在0 到1 之間，越接近1 表明兩者越相似，表2 是改進(jìn)前后UNet 在測(cè)試集上計(jì)算的平均Dice系數(shù)值。

表2 改進(jìn)前后Dice系數(shù)

從表2 中可以看出，通過(guò)對(duì)UNet 原結(jié)構(gòu)進(jìn)行改進(jìn)后,在耗時(shí)差異不大的前提下模型整體預(yù)測(cè)性能提升了7%左右，能夠滿足實(shí)際應(yīng)用中的語(yǔ)義分割要求。交通標(biāo)志的語(yǔ)義分割精度較高，一方面是因?yàn)榻煌?biāo)志有比較穩(wěn)定的幾何形狀，另一方面則是因?yàn)榻煌?biāo)志識(shí)別數(shù)據(jù)集的前景與背景的占比相對(duì)于其他自然場(chǎng)景語(yǔ)義分割數(shù)據(jù)集分布更為均勻并且單幅圖像中標(biāo)志之間不發(fā)生重疊。將改進(jìn)前后的UNet實(shí)際效果進(jìn)行對(duì)比，如圖8 所示。在圖8 對(duì)交通標(biāo)志ROI的預(yù)測(cè)結(jié)果中，對(duì)于改進(jìn)前UNet 對(duì)感興趣區(qū)域預(yù)測(cè)的mask，其幾何形狀精度無(wú)法得到保證，而改進(jìn)后的UNet則有更好的表現(xiàn)，再次驗(yàn)證表2的結(jié)論。

圖8 實(shí)際效果對(duì)比

2.2 LeNet5訓(xùn)練與整體實(shí)驗(yàn)方案驗(yàn)證

2.2.1 LeNet5分類數(shù)據(jù)集選取與預(yù)處理

圖5 數(shù)據(jù)集所示的交通標(biāo)志每個(gè)類別制作樣本為200，對(duì)3 000 張交通標(biāo)志感興趣區(qū)域的灰度圖像進(jìn)行訓(xùn)練，為防止數(shù)據(jù)集的分布差異較大，需對(duì)數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理，采用Z-score 方法進(jìn)行處理，其計(jì)算過(guò)程見(jiàn)公式（5）。

其中，μ為數(shù)據(jù)集所有樣本的均值，對(duì)于轉(zhuǎn)化為單通道灰度圖像的數(shù)據(jù)集，其實(shí)就是指所有樣本的像素平均值，σ則為數(shù)據(jù)集樣本的標(biāo)準(zhǔn)差，X和X′分別代表處理前后的數(shù)據(jù)。最后，由于交通的標(biāo)志位置以及旋轉(zhuǎn)角度不同，在訓(xùn)練的過(guò)程中使用隨機(jī)剪裁和隨機(jī)旋轉(zhuǎn)操作。

2.2.2 分類網(wǎng)絡(luò)訓(xùn)練與整體實(shí)驗(yàn)方案測(cè)試

設(shè)置初始學(xué)習(xí)率為0.01，batch-size 為10，沖量為0.9 以及權(quán)值衰減0.005，訓(xùn)練優(yōu)化器為SGD。輸出的準(zhǔn)確率曲線如圖9所示，分類識(shí)別網(wǎng)絡(luò)LeNet5識(shí)別數(shù)據(jù)集的準(zhǔn)確率達(dá)到了99%以上，因此當(dāng)語(yǔ)義分割網(wǎng)絡(luò)準(zhǔn)確預(yù)測(cè)交通標(biāo)志的感興趣區(qū)域時(shí)，使用該分類網(wǎng)絡(luò)能夠保證交通標(biāo)志分類的準(zhǔn)確率。

圖9 訓(xùn)練過(guò)程的分類準(zhǔn)確率曲線

2.2.3 整體實(shí)驗(yàn)測(cè)試與對(duì)比

完成上述訓(xùn)練過(guò)程后，將語(yǔ)義分割模塊與分類識(shí)別模塊級(jí)聯(lián)構(gòu)建整體識(shí)別方案，對(duì)UNet-LeNet5模型進(jìn)行測(cè)試。測(cè)試過(guò)程中選擇警告標(biāo)志、指示標(biāo)志以及禁令標(biāo)志各一種分別在弱光、強(qiáng)光、霧氣的復(fù)雜自然場(chǎng)景下進(jìn)行評(píng)測(cè)，如圖10 所示。其中，第一列圖像是輸入圖像，第二列圖像是對(duì)交通標(biāo)志ROI提取的效果展示（用不同顏色的包絡(luò)線表示），并最后顯示對(duì)該交通標(biāo)志預(yù)測(cè)的類別。

圖10 不同環(huán)境識(shí)別結(jié)果

從圖10 可以看出，基于UNet-LeNet5的交通標(biāo)志的識(shí)別方法針對(duì)不同光照與霧氣的復(fù)雜自然條件有較好的識(shí)別效果，該模型在應(yīng)對(duì)這些惡劣條件時(shí)表現(xiàn)出良好的抗干擾性能。為方便與其他方法進(jìn)行比較并驗(yàn)證分類方法選擇LeNet5的合理性，除與HOG-SVM[15]和ResNet50[16]分類方法對(duì)比之外，還將改進(jìn)UNet和這兩種方法分別級(jí)聯(lián)進(jìn)行驗(yàn)證，如表3所示。從表3 中可以得出，通過(guò)感興趣區(qū)域的精確分割，HOG+SVM和ResNet50的識(shí)別方法在原基礎(chǔ)上分別提升了11%和5%，表明通過(guò)對(duì)復(fù)雜背景干擾去除使識(shí)別率有較明顯的提升。在分類方法的選擇上，選擇LeNet5 相對(duì)于HOG+SVM 在識(shí)別時(shí)間與精度上更有優(yōu)勢(shì)，對(duì)比ResNet50 雖精度有所不足但在時(shí)間上能夠得到保證。綜合上述討論，所提出的方法綜合識(shí)別率與時(shí)間上優(yōu)勢(shì)比較明顯，可以較好地進(jìn)行交通標(biāo)志分類。

表3 實(shí)驗(yàn)結(jié)果對(duì)比

3 結(jié)論

利用深度學(xué)習(xí)方法將交通標(biāo)志感興趣區(qū)域提取與分類識(shí)別分成兩個(gè)階段，實(shí)現(xiàn)了對(duì)交通標(biāo)志由圖像邊緣淺層次的特征到具體紋理深層次特征的特征學(xué)習(xí)方式，從而在不使用較深的網(wǎng)絡(luò)下也能獲得較好的識(shí)別率。

在預(yù)處理過(guò)程中通過(guò)對(duì)比度有限直方圖均衡與去霧氣算法處理改善圖像質(zhì)量，這一方面有利于應(yīng)對(duì)光照、霧氣對(duì)識(shí)別率產(chǎn)生的影響，另一方面有利于grabcut 算法人工實(shí)現(xiàn)前景與背景分離,不僅為改進(jìn)UNet 高精度的數(shù)據(jù)集標(biāo)注工作降低了難度，也為其高精度的預(yù)測(cè)性能作了良好的保證。

對(duì)UNet 最后1×1 卷積輸出進(jìn)行多通道分類擴(kuò)展，這不僅對(duì)不同形狀的交通標(biāo)志起到了聚類作用，也是該語(yǔ)義分割網(wǎng)絡(luò)在改進(jìn)后具有優(yōu)異預(yù)測(cè)性能的根本原因，該方式最大程度地減少了無(wú)關(guān)特征，使得LeNet5在復(fù)雜的自然條件下也能擁有較高的識(shí)別率。