摘要：随着当今社会的迅速发展,智能驾驶系统和无人驾驶汽车逐步进入人们的现实生活,交通标志识别作为其中的关键部分,有着非常高的研究价值。交通标志是由政府在机动车道路上设置的用来警示和限制驾驶人员的图形类标志牌。对于无人驾驶汽车来说,只有当无人驾驶汽车能够准确的识别出交通标志牌上图案的内容,计算机才能够根据当前的环境做出最安全且符合交通规则的判断和行为。因此通过提高识别准确率可以推动无人驾驶技术的发展,进一步提高无人驾驶汽车在现实道路驾驶过程中的安全性。早期的交通标志识别方法比较简单,主要使用传统的图像处理方法对交通标志进行识别,比如利用阈值分割,滤波器及边缘检测等传统方式进行识别和检测。但是由于传统的图像处理方法容易受到图像扭曲、遮挡等影响,准确率和鲁棒性都不高。
关键词：VGG模型；低照度；交通标志识别；
引言
交通标志识别是智能辅助驾驶的重要组成部分，对无人驾驶领域的发展有直接的推动作用。近
年来，城乡公路建设迅速，复杂自然场景对交通标志识别的稳定性提出了新的挑战。目前对交通标志的识别方法主要有模板匹配、机器学习以及卷积神经网络等。从现有研究来看，基于卷积神经网络的分类方法在预测准确率、泛化性以及实时性方面相比于其他方法更高，并在交通标志识别方面成功应用。
1图像增强及交通标志定位
1.1图像亮度自适应增强
为了提高低光源下的识别精度，CLAHE算法用于增加输入图像的亮度。此算法通过限制局部对比度，有效地防止由于杂放大而导致的图像失真。此算法通常用于处理灰度图像和增强灰度图像。对于彩图像，它将从RGB转换为HSV颜空间，CLAHE将对v通道进行直方图均衡化，然后将v通道重新渲染为原始图像。此方法可以有效地改善阴影的亮度，同时防止高光过度曝光。
1.2图像预处理
对于自然场景的交通标志图像，其光照条件以及雾气等因素对图像明暗和清晰度影响较大，
而这个问题可以通过直方图均衡化进行对比度调整得到有效解决。使用3种不同直方图均衡化处理方式对交通标志的灰度图像进行预处理，实验对比分析得出，对比度有限直方图均衡方法在交通标志预处理方面表现较好。而语义分割一般针对RGB彩图像，使用对比度有限直方图均衡进行图像预处理时，通过将图像的RGB空间转换为YUV或LAB空间进行对比度调整后，转回RGB空间时会出现彩暗淡的现象
1.3基于彩特征的交通标志定位
中国的交通标志主要分为三种颜:红、黄和蓝，分别对应于禁止标志、警告标志和标志。因此，为了出可能的交通标志，您必须将影像分割成只有红、黄和蓝的二进位影像。通过设置HSV颜空间的阈值，可以对转换为HSV颜空间的图像进行切片。为了更好地提取红像素，请设置两个时间点的红阈值，并使用亮红和暗红作为检测点，以降低检测速度。
2交通标志识别模型
2.1深度残差网络
VGG,ResNet和其它深度卷积神经网络经典模型的出现,逐渐将神经网络的发展带到了深层网络的阶段。研究人员发现,随着网络的层次逐渐加深,模型的表示能力就会逐渐加强,取得更好的泛化能力的可能性就越大。但是网络层数的加深会使梯度消失或者梯度爆炸造成的影响更加明显,使得网络的训练变得越来越困难。深度神经网络进行反向传播的时候,网络参数从网络的输出层逐层传递到网络的输入层,在这个过程中,梯度将接近于零或趋于无穷,所以网络越深,出现梯度消失和梯度爆炸的问题就可能会越严重。而且随着网络深度不断增加,卷积神经网络可能会在特定数据集上表现出越来越差的性能,表达能力并不会一直不断的提升,这是由于深层网络产生的信息损失而造成的模型退化。
2.2FCN模型
FCN网络将传统的卷积型神经网络vgg16替换为全链路层，从而提高了分割效率，降低了计算复杂度。它包括卷积层、激活层、池层、反卷积层、剪切层和位于该网络上的ELT。其中，卷积、联合和反卷积是最重要的功能。备份层是FCN神经网络的核心层。合并与图像过滤过程类似的输入图像可获得初始特性映射。连接级别压缩输入特性，减小特性映射的大小，亮显图像的主要特性，并降低网络计算的复杂性。反卷积图层用于重新采样特性图像，
以便在执行分辨率和合并操作后恢复特性图像的大小。反卷积层可以使网格具有更复杂的功能。
2.3DC-VGG分类模型
传统的wall-16具有13个卷积层、5个连接层和3个完全连接层，其结构如图5所示。模型包含六个阶段:第1阶段和第2阶段包括两个卷积层和一个去除图像中低级别属性的子层；步骤3、4和5分别是三个对流层和一个流域层。将卷积码的大小设置为3×3可产生更大的接收域，并且参数实际上是有限的。传统的wall-16网络模型使用3×3全局的卷积路由器，通过堆叠多个卷积层和池层来获得更好的识别效果。然而，大量的参数会导致大量的硬体支援训练和预测，而且需要很长的时间。此外，此模型中的低相关性和深特性之间的低相关性很容易导致敏感特性的丢失。为了加快图像的分类速度并保留其细节特征，作者根据传统的VG理论，提出了一种基于扩展支持和馀震结构的DC-wall轻量级交通标志快速检测模型。
2.4卷积神经网络(CNN)
CNN和多层感知机的网络结构不同,CNN不止含有全连接层,还有卷积层、池化层等特殊的结
车标志识别图构。为了能够提高网络模型的训练效率,CNN充分利用稀疏连接和权值共享的连接方式,这种连接方式可以降低数量,进而提高计算速度。卷积层的主要作用在于利用多个权值矩阵来提取图像中的特征信息。权值矩阵即为卷积核,它在网络模型中充当的角就像是一种正方形的滤波器,能够从原始图像中提取一定特征。CNN的主要工作目的就是为了训练这些正方形滤波器,也就是卷积中的核函数,使得它们能够从图像中得到更加抽象的特征,尽可能多的提取到想要的信息。池化层可以用于压缩卷积层输出的特征图,保留特征中有用信息的同时减少特征图的尺寸大小,降低网络复杂度。池化层的存在让网络模型尽可能的只学习图像中特种明显的区域,同时也为了减少训练参数的数量,从而在一定程度上起到了缓解模型出现过拟合的作用。全连接层的连接方式和多层感知机各层之间的连接方式一样,将全连接层的每一个神经元都和前一层的每一个神经元相连接,目的是结合前面所获取的特征信息,然后根据具体所需实现分类。CNN因为其独特的结构,可以提取图像中的主要特征信息,计算效率高速度快,并且具有很好的泛化能力等优点,所以近年来CNN在图像领域中被广泛使用。
结束语
低亮度、高饱和度、模糊图像和低光照下的道路交通标志识别不准确问题是通过扩展墙模型
来加速和识别道路交通标志的尝试。原始图像的亮度增强了CLAHE算法，采样增强了深度分辨率对置神经网络算法，该算法能够快速识别道路交通信号。.由于安装在道路交通标志和车辆上的视觉成像设备接收到的图像质量受到天气、照明、环境和其他因素的影响，这些因素直接影响着标识和标记识别算法的可靠性和持久性，因此今后将进一步研究。
参考文献
[1]马露茜,吴钦木.基于改进YOLOv3的复杂环境下交通标志检测[J].微处理机,2022,43(01):39-42.
[2]李铭兴,徐成,李学伟.交通标志识别研究综述[C]//.中国计算机用户协会网络应用分会2021年第二十五届网络新技术与应用年会论文集.,2021:201-204.
[3]赵树恩,刘伟.基于改进VGG模型的低照度道路交通标志识别[J].重庆交通大学学报(自然科学版),2021,40(10):178-184.
[4]崔杰.道路交通标志设置存在的问题及解决对策[J].交通世界,2021(28):146-147.
[5]蒋翼浓,张世义.交通标志识别技术综述[J].汽车工程师,2021(08):15-18+51.
发布评论