• 65
•
交通标志识别是智能交通系统的一个重要研究方向，也是未来无人驾驶发展的关键一环。特别是针对存在外部因素影响的情况下，比如光照、遮挡等，一个准确性高、鲁棒性强的交通标志识别系统急需出现，可以有效的减少交通事故的发生，保障人身安全和社会财产。本文介绍了交通标志识别技术的发展背景，交通标志相关数层输出自己想要的结果，图1所示为卷积神经网络示意图。利用卷积神经网络来进行交通标志识别也取得了丰硕的成果。在2011年国际神经网络联合大会上，Schmidhuber 等用卷积神经网络识别交通标志效果，标志识别准确度高达98.31%，而人眼识别交通标志的准确率为98.84%，令人们感到震惊。
基于深度学习的交通标志识别研究综述
安徽理工大学电气与信息工程学院  张  状
图1 卷积神经网络示意图
据集的介绍，和利用深度学习关于交通标志识别的技术研究，最后总结了交通标志识别技术的前景和发展趋势。
现如今社会经济发展蓬勃，以汽车为代表的制造业蒸蒸日上，自动驾驶、无人驾驶也逐步出现并且进入商业应用，交通标志识别对行车安全至关重要，因此必须解决交通标志的识别问题。在智能交通系统中交通标志识别系统发挥着无可替代的作用，其可以在驾驶员安全行驶中起到保障作用，减少事故发生率。交通标志识别系统主要由两个核心技术构成，分别是交通标志的检测和交通
标志的识别。交通标志的检测包含获取原始图像、对原始图像做预处理和阈值分割；交通标志的识别又分为对交通标志的特征提取和标志的分类两种。交通标志识别系统首先是检测，然后是识别，两者相辅相成才能得到准确的识别效果。
1  交通标志识别研究现状
1.1  传统的交通标志识别方法研究现状
国内外近些年都在大力发展无人驾驶技术，标志着传统汽车行业新的研究方向，无人驾驶技术上的关键环节交通标志识别技术便成了各国学者争先恐后的研究对象。在各国研究人员的努力下，图像的分类与识别已经有了阶跃性发展，识别方式也由传统图像识别向深度学习识别转变，并且在一些领域已经得到了证实与应用。传统的交通标志识别算法主要分为对原始图像进行特征提取和机器学习两种。算法步骤是首先到原始图像中自己感兴趣的区域，并对图像进行预处理，通过算法提取区域的相关特征，之后利用这些特征通过计算机训练来得到分类器，最后用分类器来对交通标志图像进行匹配从而达到识别的
目的。
1.2  基于卷积神经网络的交通标志识别方法
卷积神经网络是深度学习中的非常经典的一个网络结构，主要由卷积层、采样层与全连接层构成，非常适合解决图像处理问题。通过不断地提取原始图像特征，降低维度较大的特征，经过全连接
2  交通标志数据集介绍
约束交通标志识别技术发展的一个重要因素就是缺少相关的数据集，因为缺少必要的数据集，很多研究成果无疾而终，当然也有很多成果是研究人员在自己所创造的数据集中完成的，并且取得了
不错的效果。仅有的几个数据集包括德国的GTSRB 数据集、瑞典的STS 数据集等。GTSRB 数据集的图像样本包括了43种交通标志类别，大约有5万多张样本，囊括了大部分的交通标志图像。样本中有着不同光照亮度、不同旋转角度以及倾斜遮挡的照片，非常贴近实际，识别难度也相当高，图2显示的GTSRB 数据集中的图像。在2015年，中国公布了第一个属于国内的交通标志数据集，这就是由清华大学与腾讯公司联合研发的Tsinghua-Tencent 100K
汽车标志图片数据集。该
图2 GTSRB数据集中的交通标志样例
• 66
•
数据集总共由超过10万幅图像组成，其中涉及到交通标志的大约有1万幅左右，并且图像都很清晰且贴合日常实际。
3  基于深度学习的交通标志识别方法
3.1  基于改进的LeNet-5网络的交通标志识别
LeNet-5网络是一个7层的神经网络，网络模型较为简单，对交通标志这种多类别的图像分类识别，准确率不高，因此研究者通过增加网络的深度来提高准确率。汪贵平等人（汪贵平，盛广峰，黄鹤，等.基于改进 Le Net-5 网络的交通标志识别方法）在传统LeNet-5卷积神经网络的基础上引入Inception 卷积模块组，改变卷积核的大小和数目，并且增加网络的深度，引入批量归一化算法来防止随着网络层次加深而引起的过拟合和梯度消失等问题。改进的LeNet-5网络在BelgiumTSC 交通标志数据集上的识别率达到了98.51%。张猛等人（张猛，钱育蓉，杜娇，范迎迎.基于改进的LeNet-5卷积神经网络交通标志的识别）对原有的LeNet-5网络结构进行改进，通过改变卷积核大小、增加卷积核个数、添加Dropout 层可以有效地增加信息来源，减少重要特征的丢失，并且减少了过度拟合，能够更好地识别交通标志。3.2  基于胶囊神经网络的交通标志识别
胶囊神经网络于2017年10月份在机器学习的顶级会议‘神经信息处理系统大会（NIPS ）’由Hinton 教授提出来的。它由卷积神经网络发展而来，但在结构上与卷积神经网络有所不同，主要是胶囊神经网络在
卷积层后面加入了两个新层来代替卷积神经网络中的采样层，其网络结构如图3所示。
起步阶段，存在一定的稳定问题，还有很大的提升空间。3.3  基于YOLOv3的交通标志识别
YOLOv3算法在交通标志识别中把目标检测的几个部分整合到一
个深度神经网络中，采用一个独立的CNN 模型实现端到端的目标检测。首先要做预处理，将输入图片尺寸进行归一化处理，然后把处理过后的图片放进CNN 网络，最后通过卷积池化等操作预测结果得到想要的检测的目标。白士磊等人（白士磊，殷柯欣，朱建启.轻量级YOLOv3的交通标志检测算法）在算法上对YOLOv3进行优化以提升对小目标检测的性能，改进后的YOLOv3使用4个比例来检测不同大小的目标，并使用8倍下采样的特征图来检测小目标。同时通过规整的通道剪枝策略，在训练期间通过对网络BN 层Gamma 系数施加L1正则约束，使得模型朝着结构性稀疏的方向调整参数，改进后的YOLOv3在交通标志识别方面准确率提升显著。张钟文等人（张钟文，高宇，王静，曹登平.基于YOLOv3的深度学习交通标志识别系统）则首先对原始的TT100K 进行数据扩充，来增加样本的多样性，同时修改目标类型数量，使用ADAM 优化器对神经网络的权重进行优化，达到识别精确率为80%，显然交通标志识别的准确率还有很大的改善空间。
结语：交通标志识别技术是智能交通系统中不可或缺的部分，扮演着十分重要的角，在未来无人驾驶和智能驾驶有着非常广阔的研究前景和应用价值。交通标示识别技术的发展日新月异，已经不局限使用
传统方法还是深度学习，更多地是两者混合使用，可以体现出每种算法的优点。目前交通标志检测算法在数据集上已经硕果累累，在深度学习中也得到巨大发展，加之有着很好的前景，已
经有越来越多的学者开始进行研究，不过只有在现实生活中得到安
图3 胶囊神经网络网络结构
程换新等人（程换新，郭占广，刘文翰，张志浩.基于胶囊神经网络的交通标志识别研究）引用胶囊神经网络来进行交通标志识别，在GTSRB 数据集上进行训练，并提出由输入层、卷积层、基础胶囊层、数
字胶囊层、全连接层、输出层组成的交通信号识别模型，得到收敛于98.51%的准确度，并证明了使用胶囊神经网络的方法可以改善识别率低，训练速度慢的问题。但胶囊神经网络仍处于
全高效的运用才是交通标志识别技术的根本性突破。对交通标志识别技术的研究将大大推动无人驾驶技术、汽车辅助系统的发展，必将成为惠及众的重要科技手段。
作者简介：张状（1995—），男，安徽宿州人，研究生，研究方向：深度学习。