【毕设】路面交通标签识别系统

获取方式：🛰NzqDssm16

城市交通中的图像识别

---道路交通标志识别系统

摘 要：道路交通标志识别系统对于实现城市智能交通系统至关重要。深度学习作为机器学习的新兴学科，在语音与图像处理方面取得了显著的成效，它能够非监督地从数据中学习出有效的特征用以预测，故在此讨论利用深度学习进行建模用以道路交通标志识别。

关键词：深度学习 交通标志 智能交通

Image recognition in urban traffic

---Road Traffic Sign Recognition System

Abstract: Road Traffic Sign Identification System is very important for urban Intelligent Transportation System. Deep learning as a new subject in machine learning, has achieved remarkable results in Speech and Image Processing, it can learn from the unsupervised data effective features to predict, so this study model for traffic sign recognition using depth.

Keywords: Deep learning, Traffic sign, ITS

1 引言

随着社会进步和经济发展，汽车的保有量、出行人数的急剧增加，城市交通拥堵、交通事故频发，通行效率低下等问题日益突出。在此背景下，各国开展了智能交通系统(Intelligent Transport System, ITS)的研究［1］。ITS作为一种新型交通系统结合了多种先进技术，将人、车、路等多种信息进行集约处理，能够在大范围、全方位发挥作用，并且能够缓解交通拥挤状况，保障行车安全，提高交通效率。其最初由美国智能交通学会(CITS America)提出，早期被称为智能道路车辆系统(IVHS，Intelligent Vehicle-Highway System)。如今使用的导航系统基于GPS(Global Positioning System,全球定位系统)与内置地图，当GPS失效或地图未能及时更新易导致导航出错。另外，交通标识一般置于道路的上方或两侧，由于驾驶者在驾驶过程中阅读路牌信息需要一心二用，并且由于车速、天气、路况等原因，驾驶者可获取信息的时间较短，在不熟悉道路的情况下往往需要将车辆减速以阅读信息，由此带来安全隐患［2］。因此,基于智能识别的实时交通导航系统是未来导航的发展方向，其核心就是道路交通标志的识别系统TSR(Traffic Sign Recognition)。

道路交通标志识别系统是智能车辆的重要组成部分，它在车辆行驶中对道路出现的交通标志进行信息采集和识别，及时地向驾驶员做出指示或警告，甚至接替驾驶员直接对车辆控制，以确保交通顺畅和防止事故的发生。交通标志识别技术的研究最早开始于奔驰等14家大型汽车公司组成的民间组织所资助的Prometheus (Program for European Traffic with Highest Efficiency and unprecedented safety)计划［3］,其目标是研究一个交通标识识别系统,但直到最近几年,其研究成果才获得研究者的广泛关注。道路交通标志的识别系统TSR是“智能交通系统ITS”研究领域中的热点和难点之一,也是难度较大的实景目标识别问题之一［4］。因为自然场景下采集到的道路交通标志图像除了易受天气,光照,复杂背景等因素影响外,还可能出现遮挡,变形,掉色等情况。这些都将直接影响到最终的识别结果。

2 道路交通标志识别系统研究现状

交通标志的识别包括两个过程：检测和识别［1］。

检测的目的是去除无效信息对识别的干扰，只对感兴趣的区域处理，减少计算机处理图像的计算量；一般是通过交通标志的色彩或是形状特征以及两者综合的方法检测出所有可能是交通标志的区域，然后将兴趣区域进行从整个图像中分割，再进行规则化以方便在接下来的识别阶段识别交通标志。检测方法通常分为基于颜色和其于形状检测两类。颜色是交通标志最重要的特征之一，同类交通标志通常具有颜色相同的特征，比如我国交通标志大部分为红黄蓝三种颜色，并且视角改变颜色也不会发生改变［5］。而且根据色彩空间的特征颜色具有较好的可分离性。通过特征颜色分割，可以达到去除大片非感兴趣区域的目的，这有利于提高系统的实时性。

识别就是进一步判定分割出的交通标志内核区域的含义。在完成检测到交通标志并把非交通标志的区域设为背景后，还要经过将分割出的图像进行归一化以及预处理操作，例如消除噪声、拍摄抖动、光照等的影响，而后对其内核内容进行识别。常用支持向量机分类［6］。该方法是一种基于对大量样本学习的优化分类模型，原理是根据统计学的结构风险最小化原理，其结构简单泛化能力强、等人研究基于的交通标志检测和识别，在颜色分割的基础上，以目标区域的边界距离为特征训练线性支持向量分类检测交通标志，然后以交通标志的全部像素为特征训练非线性支持向量分类机来对标志进行分类理解。该算法不足之处是以标志的全部像素为特征，特征空间较大，网络复杂；分类时需要高维映射，计算量较大。

3 深度学习与城市道路交通系统

3.1 深度学习

深度学习是一种无监督的特征学习过程，通过采用自下而上的无监督逐层训练来学习特征，再应用由上而下的有监督训练来微调整个网络参数。深度学习的主要思想是实现数据的分级表达，寻找大量数据的本质特征。其本质就是构建深度神经网络(Deep Neural Networks, DNN).深度神经网络是由多个单层非线性网络叠加而成的[7],常见的单层网络按照编码解码情况分为3类:只包含编码器部分、只包含解码器部分、既有编码器部分也有解码器部分。编码器提供从输入到隐含特征空间的自底向上的映射,解码器以重建结果尽可能接近原始输入为目标将隐含特征映射到输入空间[8]。深度神经网络分为以下3类：1)前馈深度网络(Feed-forward Deep Networks, FFDN),由多个编码器层叠加而成,如多层感知机(Multi-layer Perceptrons, MLP)[9]、卷积神经网络(Convolutional Neural Networks, CNN)[10]等. 2)反深度网络(Feed-back Deep Networks, FBDN),由多个解码器层叠加而成,如反卷积网络(Deconvolutional Networks, DN)[8]、层次稀疏编码网络(Hierarchical Sparse Coding, HSC)[11]等. 3)双向深度网络(Bi-directional Deep Networks, BDDN),通过叠加多个编码器层和解码器层构成,如深度玻尔兹曼机(Deep Boltzmann Machines, DBM)[12]、深度信念网络(Deep Belief Networks, DBN)[13]、栈式自编码器(Stacked Auto-encoders, SAE)[11]等.

3.2 深度学习与城市道路交通系统

在交通应用领域，谭娟[14]等人应用深度学习算法体系来处理交通流参数以及影响道路状态的环境数据、事关人流出行行为的时段分布等交通基础数据，构建了一个可对交通拥堵进行多态预测的长效模型。模型对于公路交通这一每天都在不断积累膨胀的数据样本，具有较好的自学习更新能力，可作为一种长效模型应用于智能交通管理系统。在城市交通流预测的实践研究中，尹邵龙与赵亚楠[15]提出了一个基于深度学习的交通流预测模型通过训练并加以实现。实验结果表明，这种方法在交通流预测当中取得了不错的准确率。在车辆型号以及车牌识别研究中，深度学习同样有着重要的作用。

3.3 深度学习与交通标识识别系统

深度学习作为数据挖掘的一个新兴领域，在处理图像、文本、语音等非结构化数据等方面体现出了极为卓越的性能。尤其是在图像识别领域，取得了前所未有的成功。道路交通标志的本质就是含有特殊含义的图片。道路交通标志是用图案、符号或文字对交通进行指示、导向、警告、控制和限定的一种交通管理的设施[5]。交通标志具有较高的显示性和广泛的公认性，为了获得良好的效果，在大量的研究的实践下，应该做三方面选择，或者称为交通标识的三要素：颜色，形状和符号(图 1)。

4 小结

马云提到人类正从IT(Information Technology)时代走向DT(Data Technology)时代，而DT的核心就是基于人工智能的数据挖掘技术。我是一个做传统交通方向的硕博生，接触到的内容也偏向理论。在这之前，我所需要做的，就是发现一个交通数学问题，构建NP-hard的最优化模型，再寻找求解算法。经过差不多两年的训练，没有任何喜悦感。关于人工智能，关于深度学习，更多的只是停留在概念阶段，这一点在前面的文字中体现的淋漓尽致：没有技术细节，只有想法。

作为处在这样一个大时代的年轻人，在感到高兴的同时，应该想着我可以去做些什么。接下来的研究生活中，我会尝试动手实现一两个深度学习的案例，加深理解。

参 考 文 献:

[1] 白莹. 交通标志识别[D]. 北京: 北京交通大学, 2013.

[2] 李文轩. 基于深度学习的路牌文字识别[D]. 广州: 华南理工大学, 2016.

[3] 余进程, 谢光汉, 罗芳. 基于深度学习的道路交通标志数字识别技术探究[J]. 数字技术与应用, 2013(12):62-63.

[4] Piccioli G,De Micheli E,Parodi P,et al.Robust method for road sign detection and recognition[J].Image and Vision Computing,1996,14(3):209-223.

[5] 王炜, 过秀成. 交通工程学.第2版[M]. 东南大学出版社, 2011.

[6] Shi M, Wu H, Fleyeh H. Support vector machines for traffic signs recognition[C]// IEEE International Joint Conference on Neural Networks. IEEE Xplore, 2008:3820-3827.

[7] Bengio Y. Learning Deep Architectures for AI[J]. Foundations and Trends in Machine Learning, 2009, 2(1):1-55.

[8] Zeiler M D, Krishnan D, Taylor G W, et al. Deconvolutional networks[J]. 2010, 238(6):2528-2535.

[9] Hornik K, Stinchcombe M, White H. Multilayer feedforward networks are universal approximators[M]. Elsevier Science Ltd. 1989.

[10]Lecun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11):2278-2324.

[11]Vincent P, Larochelle H, Bengio Y, et al. Extracting and composing robust features with denoising autoencoders[C]// International Conference. 2008:1096-1103.

[12]刘建伟, 刘媛, 罗雄麟. 玻尔兹曼机研究进展[J]. 计算机研究与发展, 2014, 51(1):1-16.

[13]Hinton G E, Osindero S, Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7):1527-1554.

[14] 谭娟, 王胜春. 基于深度学习的交通拥堵预测模型研究[J]. 计算机应用研究, 2015, 32(10):2951-2954.

[15] 尹邵龙, 赵亚楠. 深度学习在城市交通流预测中的实践研究[J]. 现代电子技术, 2015, 38(15):158-162.