基于人工蜂群的新型圓形交通標(biāo)志識(shí)別算法

董?娜，劉欣宇，吳愛(ài)國(guó)

?

基于人工蜂群的新型圓形交通標(biāo)志識(shí)別算法

董?娜，劉欣宇，吳愛(ài)國(guó)

(天津大學(xué)電氣自動(dòng)化與信息工程學(xué)院，天津 300072)

道路交通標(biāo)志檢測(cè)是智能交通系統(tǒng)的重要組成部分，精確快速識(shí)別圓形交通標(biāo)志對(duì)保障交通安全有非常關(guān)鍵的作用．本文將子種群概念引入人工蜂群(artificial bee colony，ABC)算法中，提出了一種基于子種群多峰值優(yōu)化算法(species-based artificial bee colony，SABC)應(yīng)用于圓形交通標(biāo)志的檢測(cè)．SABC的關(guān)鍵在于多個(gè)子種群按照人工蜂群算法同時(shí)搜索多個(gè)最優(yōu)解．作為比較，引入了基于子種群的遺傳算法(species-based genetic algorithm，SGA)和基于子種群的粒子群優(yōu)化算法(species-based particle swarm optimization，SPSO)．5個(gè)多峰值函數(shù)用于驗(yàn)證3種算法的多峰值優(yōu)化性能，其結(jié)果證明SABC具有更高的準(zhǔn)確性和更快的運(yùn)行速度，成功率為100%，精度均低于10-4，運(yùn)行時(shí)間均在0.3s以內(nèi)．然后，將多圓檢測(cè)視為多峰值優(yōu)化問(wèn)題，并將SABC應(yīng)用于多圓檢測(cè)，設(shè)計(jì)了完整的檢測(cè)算法．最后，在德國(guó)交通標(biāo)志數(shù)據(jù)集(German traffic sign recognition benchmarks，GTSRB)的圓形交通標(biāo)志上測(cè)試所提出的圓形檢測(cè)算法．實(shí)驗(yàn)結(jié)果表明，所提算法能夠以良好的性能定位圓形交通標(biāo)志．

人工蜂群算法；多峰值優(yōu)化；子種群；圓形檢測(cè)；交通標(biāo)志檢測(cè)

近年來(lái)，隨著社會(huì)和經(jīng)濟(jì)的發(fā)展汽車(chē)數(shù)量不斷增加，交通事故的發(fā)生頻率也越來(lái)越高．駕駛安全和舒適便利已經(jīng)變得越來(lái)越重要，駕駛輔助系統(tǒng)(DAS)吸引越來(lái)越多計(jì)算機(jī)視覺(jué)和智能交通研究人員的關(guān)注．交通標(biāo)志的自動(dòng)檢測(cè)是DAS的關(guān)鍵組成部分．但是，由于許多因素可能會(huì)降低檢測(cè)系統(tǒng)性能，真實(shí)情況下的交通標(biāo)志檢測(cè)是一項(xiàng)挑戰(zhàn)[1]．計(jì)算機(jī)視覺(jué)技術(shù)已被證明可以很好地解決這個(gè)問(wèn)題．目前的檢測(cè)算法主要從形狀分析和顏色分割兩個(gè)方面進(jìn)行．諸如Hough變換、徑向?qū)ΨQ(chēng)變換、HOG特征等基于形狀的算法大多涉及復(fù)雜的圖像操作，缺乏實(shí)時(shí)性能；基于顏色分割算法實(shí)時(shí)性好，但其中大多數(shù)使用固定的分割閾值，適應(yīng)性差[2]．交通標(biāo)志很多為圓形，而且在常見(jiàn)交通標(biāo)志以及道路上是指示危險(xiǎn)的最重要信號(hào)[3]．筆者針對(duì)圓形交通標(biāo)志，提出一種檢測(cè)算法，并使用德國(guó)交通標(biāo)志數(shù)據(jù)集(GTSRB)測(cè)試該算法的性能．

圓形檢測(cè)問(wèn)題已被廣泛研究．大多數(shù)檢測(cè)算法可以分為兩類(lèi)：基于霍夫變換的技術(shù)和最小二乘法[4].盡管兩種算法都有很多改進(jìn)[5-10]，但仍存在以下問(wèn)題：基于霍夫變換的算法存在計(jì)算成本與精度之間的矛盾，而基于最小二乘法的算法魯棒性低．而且，這兩種算法在多圓檢測(cè)很少被研究．實(shí)際上，多峰值優(yōu)化問(wèn)題可以很好地解決多圓檢測(cè)問(wèn)題[5]．目前很多基于群智能算法已經(jīng)被提出以解決多峰值優(yōu)化問(wèn)題[11-16]．但大多數(shù)算法仍存在尋優(yōu)精度低，成功率不高、運(yùn)行時(shí)間長(zhǎng)的缺點(diǎn)．于是，子種群的概念被引入群智能算法以實(shí)現(xiàn)多峰值優(yōu)化[11,16]．

2005年，受到蜂群通過(guò)分工和信息交換合作獲取蜂蜜的想法啟發(fā)，土耳其學(xué)者Karaboga[16]提出了人工蜂群(artificial bee colony，ABC)算法．ABC具有收斂速度更快、控制參數(shù)更少、搜索精度更高、魯棒性更強(qiáng)、操作更簡(jiǎn)單等優(yōu)點(diǎn)[17-19]．

劃分子種群的技術(shù)被證明是一種解決多峰值優(yōu)化問(wèn)題很好的算法[11,20]．因此本文將子種群的概念引入ABC中，提出一種基于子種群的人工蜂群(SABC)算法，用于解決多峰值優(yōu)化問(wèn)題，并應(yīng)用于多圓檢測(cè)．算法包括2個(gè)關(guān)鍵步驟：①將種群劃分為子種群；②每個(gè)子種群內(nèi)部按照人工蜂群算法獨(dú)立迭代搜索．步驟①是實(shí)現(xiàn)多峰值優(yōu)化的關(guān)鍵點(diǎn)．

1?人工蜂群算法

蜂群采蜜過(guò)程涉及蜜源、引領(lǐng)蜂、跟隨蜂和偵察蜂共4個(gè)組成要素，以及招募蜜蜂和放棄蜜源2種基本的行為[17-18]．

1) 種群初始化

?(1)

2) 引領(lǐng)蜂搜索

(3)

3) 跟隨蜂搜索

?(4)

4) 偵察蜂搜索

人工蜂群算法模擬蜜蜂采蜜過(guò)程中偵察蜂搜索新蜜源的生理行為，提出偵察蜂搜索方式．假設(shè)某一個(gè)體在一個(gè)位置連續(xù)停留Bas()次，＝1，2，…，，且Bas()大于設(shè)定停留值Limit，則認(rèn)為其周?chē)阉鞯絻?yōu)質(zhì)蜜源的可能較小，則該個(gè)體轉(zhuǎn)換為偵察蜂，按式(1)搜索產(chǎn)生新個(gè)體，并與原個(gè)體按式(3)進(jìn)行比較，擇優(yōu)保留個(gè)體．

2?基于子種群的人工蜂群算法SABC

多峰值優(yōu)化是指找到搜索空間內(nèi)函數(shù)的所有最優(yōu)值，這種優(yōu)化受到了研究人員的廣泛關(guān)注．很多相關(guān)的算法已經(jīng)被提出，一種基于子種群的粒子群優(yōu)化算法(SPSO)[11,20]被提出用來(lái)解決多峰值優(yōu)化問(wèn)題．目前，人工蜂群算法在多峰值優(yōu)化問(wèn)題解決上的研究較少，本文將子種群的概念引入人工蜂群算法中，提出一種基于子種群的人工蜂群算法來(lái)解決多峰值的優(yōu)化問(wèn)題．

2.1?子種群

子種群劃分步驟如下．

步驟1 計(jì)算所有個(gè)體的適應(yīng)度值，并按照從優(yōu)到劣的順序重新排序．

步驟2 找到適應(yīng)度值最優(yōu)的個(gè)體作為第1個(gè)子種群的種子．

步驟4 重復(fù)步驟3直到所有個(gè)體都分完．

2.2?基于子種群的人工蜂群算法

以一個(gè)具有4個(gè)全局最優(yōu)值的多峰值函數(shù)尋優(yōu)過(guò)程為例，說(shuō)明SABC算法原理，如圖1所示．

圖1?SABC迭代原理

SABC的關(guān)鍵思想是“先分群后分蜂”，即先將大種群分為若干個(gè)子種群，再對(duì)每個(gè)子種群分3種蜂進(jìn)行搜索．首先按式(1)初始化種群，然后對(duì)所有個(gè)體按照第2.1節(jié)中的算法劃分子種群并確定種子．對(duì)于每個(gè)子種群，先計(jì)算其適應(yīng)度函數(shù)值，根據(jù)適應(yīng)度值大小將其分為引領(lǐng)蜂、跟隨蜂和偵查蜂3種：引領(lǐng)蜂按照式(2)局部搜索新蜜源并計(jì)算出新蜜源的適應(yīng)度函數(shù)值，比較適應(yīng)度值，按式(3)擇優(yōu)保留，并注意更新停留次數(shù)；跟隨蜂依概率式(4)在新的引領(lǐng)蜂種群中選擇較優(yōu)目標(biāo)個(gè)體與隨機(jī)選擇的個(gè)體按式(2)進(jìn)行搜索，產(chǎn)生新個(gè)體，比較并保留最優(yōu)位置，更新停留次數(shù)，形成跟隨蜂種群；判斷個(gè)體是否放棄當(dāng)前蜜源位置成為偵察蜂搜索下一蜜源，是則按照式(1)在解空間隨機(jī)產(chǎn)生新蜜源．

圖2?SABC算法流程

最后將當(dāng)前子種群更新后的位置及個(gè)體所對(duì)應(yīng)的停留次數(shù)重新存入種群，為下一次迭代做好準(zhǔn)備．所有子種群完成一次迭代后重新劃分子種群開(kāi)始下一次迭代．

2.3?SABC算法性能測(cè)試

表1?標(biāo)準(zhǔn)測(cè)試函數(shù)

Tab.1?Standard test functions

整體來(lái)說(shuō)，比較3種算法的優(yōu)化誤差，SABC得到的最優(yōu)值誤差最小，最接近理論值，也是最穩(wěn)定的．在優(yōu)化過(guò)程中，種群中的所有個(gè)體將逐漸聚集為與函數(shù)最優(yōu)值個(gè)數(shù)相等的子種群．

經(jīng)過(guò)實(shí)驗(yàn)和比較，可以得出結(jié)論：本文所提出的SABC算法在多峰值優(yōu)化問(wèn)題上具有優(yōu)異的性能．這是因?yàn)锳BC算法本身具有很強(qiáng)的全局收斂性，利用跟隨蜂貪婪選擇引領(lǐng)蜂，加快了算法的迭代速度，同時(shí)利用偵查蜂幫助算法跳出局部最優(yōu)，增加解的多樣性，在此基礎(chǔ)上引入子種群，在子種群內(nèi)部分開(kāi)搜索，加速了多峰值函數(shù)的優(yōu)化．

表2?測(cè)試函數(shù)優(yōu)化結(jié)果

Tab.2?Optimizationresults of benchmark functions

注：成功率表示50次實(shí)驗(yàn)中成功找到所有最優(yōu)值的百分比．

3?SABC在圓形探測(cè)上的應(yīng)用

本節(jié)將提出的新型SABC算法應(yīng)用到了圓形探測(cè)問(wèn)題中，通過(guò)3個(gè)邊緣點(diǎn)來(lái)定位一個(gè)圓的3點(diǎn)法，這種算法通過(guò)公式推導(dǎo)能夠巧妙地將圓對(duì)應(yīng)群智能優(yōu)化算法中的一個(gè)個(gè)體．

3.1?圓的表示及適應(yīng)度評(píng)估

?(5)

?(6)

?(7)

?(8)

?(9)

?(10)

?(11)

所提出的基于SABC的多圓檢測(cè)算法的完整過(guò)程如圖3所示．

圖3?基于SABC的圓形檢測(cè)算法

3.2?仿真測(cè)試

首先選擇了一幅有6個(gè)隨機(jī)分布圓形的測(cè)試圖像來(lái)測(cè)試所提出的多圓檢測(cè)算法的性能．子種群中兩個(gè)個(gè)體之間的距離被定義為與兩個(gè)個(gè)體相對(duì)應(yīng)圓的圓心之間的距離．測(cè)試圖像中圓的數(shù)量和圓之間的距離是已知的，子種群半徑被設(shè)置為比兩個(gè)最近的圓之間的距離稍小一點(diǎn)的值．

圖4?測(cè)試圖像及測(cè)試結(jié)果

表3?3種算法對(duì)圖4獨(dú)立運(yùn)行50次的檢測(cè)結(jié)果比較

Tab.3?Comparison of detection results of three algorithms on Fig.4

注：成功率表示50次實(shí)驗(yàn)中成功找到所有最優(yōu)值的百分比.

實(shí)驗(yàn)結(jié)果表明，基于SABC的多圓定位算法成功率高，精確度高，計(jì)算時(shí)間短，SABC的多峰值優(yōu)化性能可以很好地應(yīng)用于多圓檢測(cè)，且優(yōu)勢(shì)明顯．

3.3?SABC對(duì)圓形交通標(biāo)志檢測(cè)

在本節(jié)中，將SABC應(yīng)用于圓形交通標(biāo)志檢測(cè)，并與SGA和SPSO進(jìn)行比較．在實(shí)驗(yàn)中，使用來(lái)自德國(guó)的交通標(biāo)志數(shù)據(jù)集(GTSRB)中的圓形交通標(biāo)志來(lái)驗(yàn)證SABC的識(shí)別性能，GTSRB是用于計(jì)算機(jī)視覺(jué)、模式識(shí)別和基于圖像的駕駛員輔助領(lǐng)域感興趣檢測(cè)評(píng)估的德國(guó)交通標(biāo)志數(shù)據(jù)集，GTSRB包含43類(lèi)交通標(biāo)志，如圖5所示．

選取其中的圓形交通標(biāo)志，在偏亮、偏暗、模糊、變形的情況下測(cè)試了算法性能．原圖和檢測(cè)結(jié)果如圖6所示，算法性能如表4所示．

圖5?德國(guó)交通標(biāo)志數(shù)據(jù)集

此外，為了檢驗(yàn)該算法的性能，又與另外兩種不同機(jī)理的算法進(jìn)行了對(duì)比實(shí)驗(yàn)，文獻(xiàn)[21]采用基于RGB固定閾值分割及Hough變換的算法，對(duì)標(biāo)志的檢測(cè)率為92.83%，時(shí)間開(kāi)銷(xiāo)為2.644s．文獻(xiàn)[22]采用規(guī)格化RGB顏色分割及基于徑向?qū)ΨQ(chēng)變換的算法，對(duì)標(biāo)志的檢測(cè)率為91.40%，時(shí)間開(kāi)銷(xiāo)為0.472s．本文算法在檢測(cè)率和時(shí)間開(kāi)銷(xiāo)上都優(yōu)于以上兩種算法，圖7為3種算法的檢測(cè)結(jié)果對(duì)比．本文算法對(duì)GTSRB當(dāng)中的圓形標(biāo)志進(jìn)行大量實(shí)驗(yàn)，檢測(cè)情況見(jiàn)表5，由此可以看出，所提算法對(duì)于圓形交通標(biāo)志牌的檢測(cè)效果良好．

圖6?不同情況下的檢測(cè)結(jié)果

表4?不同算法對(duì)圖6獨(dú)立運(yùn)行50次的仿真結(jié)果比較

Tab.4?Comparison of simulation results of different algorithms on Fig.6 for 50 running independently

注：成功率表示50次實(shí)驗(yàn)中成功找到所有最優(yōu)值的百分比.

圖7?3種算法檢測(cè)結(jié)果對(duì)比

表5?SABC對(duì)GTSRB的檢測(cè)結(jié)果

Tab.5?GTSRB detection results of SABC

4?結(jié)?語(yǔ)

得益于快速發(fā)展的汽車(chē)行業(yè)、先進(jìn)的駕駛輔助和自動(dòng)駕駛系統(tǒng)近年來(lái)受到越來(lái)越多的關(guān)注．自動(dòng)交通標(biāo)志檢測(cè)和識(shí)別是這些專(zhuān)家智能系統(tǒng)最重要和最有益的特點(diǎn)．在這些系統(tǒng)的輔助下，安全舒適的駕駛才得以保證．為此，筆者提出了用于圓形交通標(biāo)志檢測(cè)和識(shí)別的算法，以進(jìn)一步提高文獻(xiàn)中提出的自動(dòng)交通標(biāo)志檢測(cè)和識(shí)別算法的性能．

通過(guò)引入劃入子種群的技術(shù)，本文首先提出一種新型優(yōu)化算法SABC解決了多峰值優(yōu)化問(wèn)題．SABC的關(guān)鍵在于多個(gè)子種群同時(shí)按照ABC算法搜索，經(jīng)過(guò)算法不斷迭代最終找到多個(gè)最優(yōu)解．5個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)首先對(duì)SGA、SPSO與SABC的多峰值優(yōu)化性能進(jìn)行測(cè)試并比較，結(jié)果證實(shí)SABC在多峰值優(yōu)化上保留了原始ABC算法搜索精度高、搜索時(shí)間快、控制參數(shù)少的優(yōu)點(diǎn)，同時(shí)在多個(gè)最優(yōu)解搜索上成功率較高，在解決多峰值優(yōu)化問(wèn)題上優(yōu)勢(shì)明顯．之后通過(guò)將多圓檢測(cè)轉(zhuǎn)化為多峰值優(yōu)化問(wèn)題，設(shè)計(jì)了基于SABC完整的多圓檢測(cè)算法．進(jìn)一步地，將所提出的多圓檢測(cè)算法應(yīng)用于圓形交通標(biāo)志檢測(cè)，并在德國(guó)交通標(biāo)志數(shù)據(jù)集中的圓形交通標(biāo)志上進(jìn)行多次實(shí)驗(yàn)，通過(guò)與其他算法對(duì)比，顯現(xiàn)出基于SABC的多圓檢測(cè)算法在圓形交通標(biāo)志檢測(cè)上具有更好的性能．

由于移動(dòng)設(shè)備的處理能力和資源增加，所提出的多圓檢測(cè)算法也可以用于其他專(zhuān)家和智能系統(tǒng)中，檢測(cè)或識(shí)別交通標(biāo)志以外的圓形物體．

［1］ Li H，Sun F，Liu L，et al. A novel traffic sign detection method via color segmentation and robust shape matching[J]. Neurocomputing，2015，169：77-88.

［2］ Berkaya S K，Gunduz H，Ozsen O，et al. On circular traffic sign detection and recognition[J]. Expert Systems with Applications，2016，48：67-75.

［3］ 李迎松，鄭順義，夏遠(yuǎn)鑫，等. 自然環(huán)境下圓形禁令交通標(biāo)志檢測(cè)[J]. 武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2016，41(12)：1619-1625.

Li Yingsong，Zheng Shunyi，Xia Yuanxin，et al. Circular ban traffic sign detection in natural environment[J]. Journal of Wuhan University：Information Science Edition，2016，41(12)：1619-1625(in Chinese).

［4］ Pan L，Chu W S，Saragih J M，et al. Fast and robust circular object detection with probabilistic pairwise voting[J]. IEEE Signal Processing Letters，2011，18(11)：639-642.

［5］ Dong N，Wu C H，Ip W H，et al. An opposition-based chaotic GA/PSO hybrid algorithm and its application in circle detection[J]. Computers & Mathematics with Applications，2012，64(6)：1886-1902.

［6］ Djekoune A O，Messaoudi K，Amara K，et al. Incremental circle hough transform：an improved method for circle detection[J]. Optik-International Journal for Light and Electron Optics，2017，133：17-31.

［7］ Zhang H，Wiklund K，Andersson M，et al. A fast and robust circle detection method using isosceles triangles sampling[J]. Pattern Recognition，2016，54：218-228.

［8］ Marco T D，Cazzato D，Leo M，et al. Randomized circle detection with isophotes curvature analysis[J]. Pattern Recognition，2015，48(2)：411-421.

［9］ Zelniker E E，Clarkson I V L. Maximum-likelihood estimation of circle parameters via convolution[J]. IEEE Trans on Image Process，2006，15(4)：865-876.

［10］ Frosio I，Borghese N A. Real-time accurate circle fitting with occlusions[J]. Pattern Recognition，2008，41(3)：1041-1055.

［11］ Luo W，Sun J，Bu C，et al. Species-based particle swarm optimizer enhanced by memory for dynamic optimization[J]. Applied Soft Computing，2016，47：130-140.

［12］ 畢曉君，王艷嬌. 用于多峰函數(shù)優(yōu)化的小生境人工蜂群算法[J]. 系統(tǒng)工程與電子技術(shù)，2011，33(11)：2564-2568.

Bi Xiaojun，Wang Yanjiao. Niche artificial bee colony algorithm for multi-peak function optimization[J]. Systems Engineering & Electronics，2011，33(11)：2564-2568(in Chinese).

［13］ 鄧?濤，姚?宏，杜?軍，等. 多峰函數(shù)優(yōu)化的改進(jìn)人工魚(yú)群混合算法[J]. 計(jì)算機(jī)應(yīng)用，2012，32(10)：2904-2906.

Deng Tao，Yao Hong，Du Jun，et al. Improved artificial fish swarm hybrid algorithm for multi-peak function optimization[J]. Journal of Computer Applications，2012，32(10)：2904-2906(in Chinese).

［14］ 賈盼龍，田學(xué)民. 基于自適應(yīng)小生境的改進(jìn)入侵性雜草優(yōu)化算法[J]. 上海電機(jī)學(xué)院學(xué)報(bào)，2012，15(4)：225-230.

Jia Panlong，Tian Xuemin. Improved invasive weed optimization based on adaptive niche algorithm[J]. Journal of Shanghai Dianji University，2012，15(4)：225-230(in Chinese).

［15］ Dong N，Wu C H，Ip W H，et al. Species-based chaotic hybrid optimizing algorithm and its application in image detection[J]. Applied Artificial Intelligence，2014，28(7)：647-674.

［16］ Karaboga D. An Idea Based on Honey Bee Swarm for Numerical Optimization[R]. Turkey：Computer Engineering Department，Erciyes University，2005.

［17］ 秦全德，程?適，李?麗，等. 人工蜂群算法研究綜述[J]. 智能系統(tǒng)學(xué)報(bào)，2014，9(2)：127-135.

Qin Quande，Cheng Shi，Li Li，et al. A review on artificial bee colony algorithm[J]. Journal of Intelligent Systems，2014，9(2)：127-135(in Chinese).

［18］ 張超群，鄭建國(guó)，王?翔. 蜂群算法研究綜述[J]. 計(jì)算機(jī)應(yīng)用研究，2011，28(9)：3201-3205.

Zhang Chaoqun，Zheng Jianguo，Wang Xiang. A review of research on bee colony algorithm[J]. Application Research of Computers，2011，28(9)：3201-3205(in Chinese).

［19］ 王艷嬌. 人工蜂群算法的研究與應(yīng)用[D]. 哈爾濱：哈爾濱工程大學(xué)通信與信息工程學(xué)院，2013.

Wang Yanjiao. Research and Application of Artificial Bee Colony Algorithm[D]. Harbin：School of Communication and Information Engineering，Harbin Engineering University，2013(in Chinese).

［20］ Cai J，Huang P，Chen L，et al. An efficient circle detector not relying on edge detection[J]. Advances in Space Research，2016，57(11)：2359-2375.

［21］ 徐迪紅，唐爐亮. 基于顏色和標(biāo)志邊緣特征的交通標(biāo)志檢測(cè)[J]. 武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2008，33(4)：433-436.

Xu Dihong，Tang Luliang. Traffic sign detection based on color and boundary feature[J]. Journal of Wuhan University：Information Science Edition，2008，33(4)：433-436(in Chinese).

［22］ Kamada H，Naoi S，Gotoh T. A compact navigation system using image processing and fuzzy control[J]. Southeastcon. Proceedings，1990，1：337-342.

Detection Method for Circular Traffic Signs Based on Artificial Bee Colony

Dong Na，Liu Xinyu，Wu Aiguo

(School of Electrical and Information Engineering，Tianjin University，Tianjin 300072，China)

The detection of road traffic signs is an important component of the intelligent transportation system. The accurate and rapid recognition of circular traffic signs plays a crucial role in ensuring traffic safety. In this paper，we introduce the concept of species to the artificial bee colony(ABC)algorithm for the detection of circular traffic signs，and propose a multi-peak optimization algorithm based on a species-based artificial bee colony(SABC). The key idea of the SABC is that multiple species simultaneously search for multiple optimal values specific to each artificial bee colony. We compare the performance of the SABC with those of the species-based genetic algorithm(SGA)and particle-based particle swarm optimization(SPSO)algorithm. Using five multi-peak functions to verify the multi-peak optimization performance of these three algorithms，the results indicate that SABC has higher accuracy and faster running speed. With a success rate of 100%，SABC’s accuracy is within 10-4，and its running time is less than 0.3s. Then，considering multi-circle detection as a multi-peak optimization problem，we applied the SABC to multi-circle detection，and designed a complete detection method. We tested the proposed circular detection method on circular traffic signs with respect to the German Traffic Sign Recognition Benchmark(GTSRB). The experimental results show that the proposed algorithm performs well in locating circular traffic signs.

artificial bee colony(ABC)algorithm；multi-peak optimization；species；circle detection；traffic signs detection

10.11784/tdxbz201808043

TP391.4

A

0493-2137(2019)06-0585-09

2018-08-13；

2018-11-04.

董?娜（1983—），女，博士，副教授.

董?娜，dongna@tju.edu.cn.

國(guó)家自然科學(xué)基金資助項(xiàng)目(61773282).

the National Natural Science Foundation of China(No.61773282).

(責(zé)任編輯：孫立華)