2017年第4期信息通信2017
任洪梅
(合肥工业大学计算机与信息学院，安徽合肥230009)
摘要：高级驾驶辅助系统中，路面交通标志检测和识别是获取安全和预警信息最基本和最具挑战性的任务之一。文章构 建一种基于深度学习的路面交通标志识别模型。该模型引入AlexNet网络作为基础网络提取图像全局特征，对全图各 个位置的多个尺度特征进行回归分析标志边框和类别，利用非极大值抑制算法消除多余检测框。实验证明该模型可以 7类常见的路面交通标志，且具有较高的准确性和鲁棒性。
关键词：深度学习；路面交通标志检识别；AlexNet网络；非极大值抑制
中图分类号:TP391.41 文献标识码:A文章编号:1673-1131(2017)04-0026-02
〇引言
识别技术作为高级驾驶辅助系统的重要研究分支，主要用于 提供道路信息，在行车安全方面有不可替代的作用。传统的 路面交通标志自动分割大都基于多种图像预处理技术[13]，例 如FoucherP等提出一种可以识别人行横道、箭头标志和其他 几种标志的方法[4]，该方法主要分为两步：提取路面交通标志 要素和基于单模式或者重复矩形模式连接标志各组件。模板 匹配的方法也可以实现路面交通标志的识别，采用最大限度 地稳定极值区域(MSERs)算法检测路面交通标志感兴趣区域气 为了进一步提升路面交通标志检测系统的抗干扰性和保证系 统的实时性，根据路面交通标志检测对于车道线位置有很强 的依赖性，提出基于车道线的路面交通标志检测w]，通过车道 线的位置确定标志感兴趣区域。H u不变矩、Zemike矩能够提 取目标的边缘特征[8_9]，具备平移和旋转不变性，该类方法可以 基本满足实时性，但鲁棒性不够好。目前，交通标志检测和识 别研究主要集中在路旁交通标志，本文结合当前先进的目标 识别技术，构建了基于深度学习的路面交通标志识别模型。1基于深度学习的路面交通标志识别
1.1 S S D目标识别框架
SSD和YOLO模型都基于回归获取目标位置和类别，但 YOLO模型目标定位采用整幅图像的特征，SSD模型预测某 个位置选取这个位置周围的特征。如下图(a)所示,SSD模型 在训练阶段仅需要每个对象的输入图片和真实的标签框。卷 积处理时，在不同的尺度下(例如，在(b)中的和(c)中的)的若 干特征图中每个位置处评估不同横宽比的小集合默认框，预 测所有对象类别的形状偏移和置信度。
图1SSD框架
1.2基于深度学习的路面交通标志识别模型
如图2所示，本文构建了一个路面交通标志识别模型，该 模型除去输入层，共有12层，对于输入的每一张图像，模型利 用前五层卷积层提取图像全局卷积特征，然后在不同尺度的 特征图上，预测类别的概率和回归分析目标物体坐标；最后用 非极大值抑制算法消除多余的检测框，判断其结果是哪类路面交通标志，并将正确的检测结果输出。
2.1评价参数定义
为了分析模型的好坏，本文定义了真阳性（TP)、假阴性 (FN)和假阳性(FP)识别分析本文模型的效果。其中T P表示 表示输入图像中交通标志被正确识别的数目；F P表示输入图 像中交通标志错误识别的数目，而FN表示输入图像中交通标 志被遗漏识别的数目。如下公式,TPR和FPR分别表示正确 识别率和错误识别率：
TP
TPR = ———(1) TP+FN
FPR =
FP
TP+FP
(2)
2.2实验结果
数据集来自腾讯街景和实时采集的合肥道路信息。合肥 道路信息数据使用车载摄像头视频采集，包含了不同天气状 况下(晴天、阴天、能见度较低天气等)和环境的道路图片。数 据集包含了直行、右转、直行或左转、直行或右转、和减速慢行 等7种路面交通标志数据。在训练阶段，从数据库中选取选 取11200张不包含路面交通标志图片作为负样本,15667张含 有标志的图片作为正样本。
模型训练通过跟踪损失函数，判断训练效果的好坏。本 文模型训练过程中总的损失函数包括位置损失和置信损失。位置损失和置信损失如下图2(a)、图2(b)所示：
(a)
26
信息通信任洪梅：基于深度学习的路面交通标志识别
如图3所示，图3 (a)表示随着训练样本数目增加位置损
失变化曲线，图3(b)表示随着训练样本数目增加置信损失变
化曲线。位置损失和置信损失整体呈下降趋势，证明了该检
测和识模型的有效性。
在测试阶段，测试数据集为700张交通图片，包含了不同
的天气状况和不同的道路条件。测试数据集有50张图片不
包含路面交通标志,650张包含7类标志。部分图片检测和识
别结果如图4所示：
图4部分测试集识别结果
识别结果如表和各类型标志识别结果分布表1和表2所示:
表1检测结果
检测算法TP FP FN TPR FPR
本文算法982281298.8% 2.4%
如表1和表2所示，表格的对角线上数据表示标志被正
确识别的情况，而非对角线上数据表示标志被错误识别成其
他标志的情况。由于车载摄像头视角原因，直行或右转被识
别为左转或右转的概率比较大。本文的模型需要提取整张图
片的卷积特征和进行多尺度训练，由于没有足够的样本特征
的表达能力有限，导致分类效果不理想。
表2各类型标志测试结果
识别结果
n D n n n D
实际标类型D1993l0000
n2185l0l l0
D311940000
b
000109000
D100011932
n100021211
D0*******
为了对路面交通标志进行识别，在服务器配置显卡为
GTX1080, CPU为 Intel Core i7-6700K，测试一张图片每秒钟
平均45帧，其中神经网络推算时间远远低于非极大值抑制
耗费的时间，网络预测时间大约为7~8ms，而非极大值抑制
抑制耗费时间为15~16ms，由此可知基于深度学习的路面交
通标志识别方法可达到实时性要求。
3结论
在汽车工业中，高级驾驶辅助系统(ADAS)已经存在很
多年，目的为司机和乘客提供自助驾驶功能，营造一个更
高级别的安全和舒适的环境。本文提出的算法都可以识
别直行、直行或右转、直行或左转、左转或右转、慢行和右
转等7类常见的路面交通标志，具有较高的实时性和正确
识别率，验证了其优越性。但还存在以下不足：①本文的
模型需要提取整张图片的卷积特征和进行多尺度训练，由
于没有足够的样本特征的表达能力有限，导致分类效果不
理想。②对于本文实验的结果是在连续帧的静态图片中
处理，后续可以考虑直接在视频进行车道线和路面交通标
志的检测。
参考文献：
[1]Qin B,Liu W,Shen X,et al.A general framework for road ma
rking detection and analysis[C]//International IEEE Confer
ence on Intelligent Transpartatiaa Systems.IEEE,2013:
619-625.
[2]Liu W,Lv J,Yu B,et al.Multi-type road marking recognition
using adaboost detection and extreme learning machine clas-
sification[C]//Intelligent Vehicles Symposium.IEEE,2015:
41-46.
[3]韩文凤.路面箭头识别方法的研究[D].东北大学,2014.
[4]Foucher P,Sebsadji Y,Tarel J P,et al.Detection and recog
nition of urban road markings using images [C]//Interna
tional IEEE Conference on Intelligent Transportation Sys-
tems.IEEE,2011:1747-1752.
[5]Wu T,Ranganathan A.A practical system for road marking
detection and recognition[C]//Intelligent Vehicles Sympo车标志图片
sium.IEEE,2012:25-30.
[6]许媛媛.基于车道线的路面标志检测识别研究[D].合肥：中
国科学技术大学,2012.
[7]宋宇鹏.基于路面标志识别的增强导航系统[D].东北大
学，2012.
[8]张永涛.基于机器视觉的路面交通标志识别的应用研究
[D].广东工业大学,2015.
[9]方启龙.基于无人车辅助导航的交通标线识别方法研究
[D].安徽大学,2012.
27
发布评论