基于TensorFlow的交通标志识别方法研究.docx

?

?

基于TensorFlow的交通标志识别方法研究

?

?

王全

摘要：交通标志识别系统是智能驾驶系统的重要组成部分;本文分析了现有方法存在的问题，基于TensorFlow框架搭建了改进的卷积神经网络，用于识别交通标志;整个系统在TensorFlow上实现，使用行车记录仪采集的视频验证了本文的算法，结果表明本文算法有一定的实用性，而且在准确率，鲁棒性和实时性等方面也表现较好。

Abstract：Trafficsignrecognitionsystemisanimportantpartofintelligentdrivingsystem.Thispaperanalyzestheproblemsexistingintheexistingmethods.BasedontheTensorFlowframework，animprovedconvolutionalneuralnetworkisbuilttoidentifytrafficsigns.Finally，?thewholesystemisimplementedbasedonTensorFlow，andthealgorithmisverifiedbythecollectedvideointhetrafficrecorder.Theresultsshowthatthealgorithmispractical，andhasexcellentperformanceinaccuracy，stabilityandreal-time.

关键词：交通标志识别;卷积神经网络;TensorFlow

Keywords：trafficsignrecognition;convolutionalneuralnetworks;TensorFlow

：TP391;U461.6??????????????：A?????????????????：1006-4311（2019）27-0204-03

1?绪论

近年来，智能交通系统[1，2]越来越受到人們的关注。随着其智能化程度越来越高，它现在可以帮助甚至取代驾驶员的工作。智能交通决策系统需要识别交通标志来做出判断，从而提醒驾驶员的各种行为，以减少交通事故的发生。此外，无人驾驶技术[3]也正迅速发展，各大互联网巨头正在开发无人车，交通标志识别是其中重要的一环。因此，本文选取了交通标志识别这个课题进行研究。

2?基于TensorFlow的卷积神经网络的构造

本文选择的是德国交通标志数据集GTSRB[4]。这个数据集样本数量庞大，有近5五万张图片，并且涉及到了不同光照强度、不同角度、不同天气的情况，覆盖情况较多，能达到较好的训练效果。这个数据集一共有43种交通标志，如图1所示，每种交通标志有样本200到2000不等。

2.1数据集预处理

2.1.1将彩色图像灰度化

不同国家的交通标志的颜色存在差异，如果此时通过颜色来区分不同的交通标志，准确率就可能很低。再者，交通标志里的颜色，不是区分不同交通标志的主要信息。最后，彩色图像比灰色图像要处理的数据更多。

图像灰度化有很多方法，因为选择的GTSRB数据集，所以选择了加权平均法，就是把彩色图像中每一个像素点的RGB的亮度值分别乘以不同的系数，其结果就是灰度图中对应该点的灰度值。

2.1.2直方图均衡

本文选择了直方图均衡[5，6]的方法进行图像增强。均衡就是将输入的图片映射到具有类似像素点的输出图片，一般是通过一定的灰度映射的方法来完成的。简言之，就是均衡图片的亮度级别，加强明暗对比。

随机的选取三张图片，依次输出每一张图片的原图、灰度图和直方图，灰度化和直方图均衡的效果如图2所示。

2.2搭建卷积神经网络

2.2.1定义架构

本文使用了LeNet架构[7]。有卷积和池化各两层，全连接三层。建立架构的基本步骤如下。

①卷积：要先了解卷积的过程，才能更深入的了解卷积层。下面简单的介绍一下卷积的过程：首先确定卷积核的大小，它要根据实际情况设定，本文设定为5*5;另一个参数是步长，即卷积核移动的距离，假定为1。卷积时，首先输入图片，然后卷积核会从图片的左上角，按照步长，移动到右下角。

②池化：池化的模型有很多，根据处理方式的不同可将它分为最大池化和平均池化。池化的过程和卷积的过程类似，不同的是，池化的所使用的池化窗口分别是要处理对应区域中最大的那个数还是该区域所有数的平均。池化的主要作用是对图像进行特征降维，缩减模型的大小，减少参数的数量，在避免过拟合的同时，又保证特征的位置不变，