基于BP神经网络交通标志识别.docVIP

基于BP神经网络交通标志识别 　　摘 要：对神经网络理论和神经网络分类器进行了研究，提出了基于BP神经网络分类器的交通标志识别模型。通过大量实验和比较，得到了识别效率高的模型，并将这一模型应用到所研究的交通标志识别系统，从而对系统作了初步的实现。 　　关键词：交通标志；BP神经网络；标志识别；物联网 　　中图分类号：TP183 文献标识码：A 文章编号：2095-1302（2013）05-0018-03 　　0 引 言 　　近年来，交通标志识别在车辆视觉导航系统中是一个热门研究课题。由于交通标志识别需要处理的信息量大，而且存在大量干扰因素，待识别的图像往往存在干扰，因而要求交通标志识别方法要有足够的快速性、稳定性。神经网络具有强大的学习分类以及大规模并行计算能力，被广泛地应用于图像处理、模式识别等。本文以典型的指示标志为对象，提出了一种应用神经网络识别交通标志的方法[1]。 　　1 交通标志识别系统结构分析 　　由于本文主要研究蓝色指示交通标志的识别，所以重点采集这一系列交通标志。其交通标志分割流程图如图1所示。 　　2 提取交通标志特征矩 　　2.1 不变矩的提取流程 　　交通标志不变矩特征提取流程图如图2所示。 　　2.2 交通标志特征提取实验和结果分析 　　本文对环岛行驶、非机动车摩托车行驶和靠右侧道路行驶三个交通标志进行分割后，分别对它们进行旋转、缩小和放大，并对这些图像进行了不变矩提取，其特征数据如表1、表2和表3所列。 　　图1 交通标志分割流程图 　　图2 交通标志不变矩特征提取流程图 　　表1 环岛行驶标志正常和旋转、缩放情况下不变矩值 　　不变距 　　情况 β1 β2 β3 β4 β5 β6 　　正常 2.634 0 0.918 8 1.389 0 0.224 0 1.080 9 2.078 2 　　旋转90° 2.634 0 0.918 8 1.389 0 0.224 0 1.080 9 2.077 5 　　缩小为1/2 2.634 4 0.919 2 1.386 7 0.224 5 1.076 9 2.071 6 　　放大1.5倍 2.634 8 0.918 2 1.393 0 0.223 9 1.075 7 2.074 7 　　表2 非机动车摩托车行驶标志正常和 　　旋转、缩放情况下不变矩值 　　不变距 　　情况 β1 β2 β3 β4 β5 β6 　　正常 2.172 7 1.023 8 0.898 6 0.282 1 0.993 7 2.056 0 　　旋转90° 2.172 7 1.023 8 0.898 6 0.280 7 0.993 7 2.076 1 　　缩小为1/2 2.173 1 1.024 5 0.898 2 0.282 1 0.994 1 2.057 1 　　放大1.5倍 2.172 5 1.024 1 0.898 6 0.282 1 0.993 7 2.056 1 　　表3 靠右侧道路行驶标志正常和旋转、缩放情况下不变矩值 　　不变距 　　情况 β1 β2 β3 β4 β5 β6 　　正常 2.317 3 1.264 3 0.764 8 0.327 5 1.086 7 1.776 9 　　旋转90° 2.317 3 1.264 3 0.764 8 0.287 7 1.086 7 2.303 6 　　缩小为1/2 2.317 9 1.264 8 0.764 6 0.327 6 1.087 0 1.776 3 　　放大1.5倍 2.316 7 1.264 3 0.765 3 0.328 1 1.086 9 1.771 2 　　由上表可知：在这些提取的特征中，不同类型的交通标志矩值之间有明显的区别。比如表1中的β3与表2和表3有明显的不同；表3中的β6与另外两个表也有明显的不同。将这些特征值输入到神经网络中，然后经过训练，它们之间的差异即可以成为识别不同交通标志的依据[3，4]。另外，从表中数据也可以看出，同一类交通标志在做旋转、平移和尺度变换后各个相对应的的同一类矩的值并不是一样的，但是这并不能与不变矩理论相驳斥，数据之间的差异在试验中还是存在的，如果以概率统计观点看，从所有提取的特征来看，这些矩是基本不变的。 　　3 基于BP神经网络的交通标志识别系统的设计 　　3.1 特征数据库的构建 　　由于实际中使用的蓝色指示标志与标准图有较大的差别，所以在实验中所使用的交通标志都是由数码相机采集的实景图像。 　　实验中选取了8种类型的交通标志作为本文前期研究和仿真的对象。我们对每幅图像再做不同角度旋转和不同比例因子的缩放变换（分别缩放为原图的0.8、0.6、0.4、1.2、1.4、1.6，旋转度数分别为5°、8°、10°、-5°、-8°、-10°），总共得到43×13=559幅图像，然后对