基于特征重用的交通標(biāo)志識(shí)別技術(shù)應(yīng)用研究

摘要：道路交通標(biāo)志識(shí)別作為主動(dòng)安全駕駛系統(tǒng)和自動(dòng)駕駛系統(tǒng)的重要組成部分，在道路行車(chē)安全過(guò)程中作用巨大，而真實(shí)場(chǎng)景采集的交通標(biāo)志易受復(fù)雜環(huán)境的影響，造成自動(dòng)識(shí)別精度不高。針對(duì)這一問(wèn)題，以LeNet-5模型為基礎(chǔ)，結(jié)合密集連接卷積神經(jīng)網(wǎng)絡(luò)（Dense Convolutional Network，DenseNet）思想進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整，通過(guò)圖像特征重用挖掘網(wǎng)絡(luò)潛力、防止梯度消失，加入Dropout策略改善過(guò)擬合現(xiàn)象，利用正則化機(jī)制約束模型特性，提高模型的泛化能力。在德國(guó)交通標(biāo)志數(shù)據(jù)集（German traffic sign recognition benchmark，GTSRB）上進(jìn)行實(shí)驗(yàn)，構(gòu)建了基于特征重用的交通標(biāo)志識(shí)別系統(tǒng)。

關(guān)鍵詞：交通標(biāo)志識(shí)別;LeNet-5;深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);特征重用

中圖分類(lèi)號(hào)：TP39 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2020）02-0024-03

0 引言

近年來(lái)智能交通系統(tǒng)受到人們的廣泛關(guān)注，其中主動(dòng)安全駕駛技術(shù)和自動(dòng)駕駛技術(shù)成為了國(guó)內(nèi)外學(xué)者、企業(yè)都爭(zhēng)相進(jìn)入的研究焦點(diǎn)[1-2]。google公司于2010年開(kāi)始測(cè)試谷歌無(wú)人駕駛車(chē)輛[3];特斯拉已經(jīng)在汽車(chē)上推出了自動(dòng)駕駛系統(tǒng)[4]。交通標(biāo)志識(shí)別作為核心技術(shù)之一，可以準(zhǔn)確、實(shí)時(shí)的識(shí)別交通標(biāo)志并做出提醒或決策，避免交通事故發(fā)生，實(shí)現(xiàn)安全駕駛[5]。但現(xiàn)實(shí)環(huán)境中，交通標(biāo)志種類(lèi)繁多、類(lèi)間區(qū)分度不大，且采集的圖像易受到外界復(fù)雜環(huán)境的影響，因此交通標(biāo)志識(shí)別是一個(gè)具有挑戰(zhàn)性的任務(wù)。近年來(lái)，LeNet、Alexnet、VGG、GoogleNet、Yolo，ResNet等卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）模型在圖像檢測(cè)與識(shí)別領(lǐng)域獲得了不俗的成績(jī)[6]，非常適用于交通標(biāo)志識(shí)別的研究。因此，本文在Lenet-5輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)上[7]，基于圖像特征重用提出一種簡(jiǎn)單、通用、準(zhǔn)確的標(biāo)志識(shí)別網(wǎng)絡(luò)，對(duì)于提高主動(dòng)安全駕駛和自動(dòng)駕駛的安全性具有重要意義。

1 德國(guó)交通標(biāo)志數(shù)據(jù)集

數(shù)據(jù)集選用由車(chē)載相機(jī)在真實(shí)交通場(chǎng)景獲取的德國(guó)交通標(biāo)志數(shù)據(jù)集GTSRB[8]。該數(shù)據(jù)集有43類(lèi)交通標(biāo)志，近5萬(wàn)張標(biāo)志圖像，其中39209張訓(xùn)練圖像和12630張測(cè)試圖像，如圖1所示。

2 特征重用原理

傳統(tǒng)的CNN網(wǎng)絡(luò)中每一層的輸入信息是上一層的輸出特征。從5層的LeNet模型、19層的VGG模型到深度達(dá)100層的ResNet模型，研究者們多通過(guò)增加網(wǎng)絡(luò)深度或擴(kuò)大網(wǎng)絡(luò)寬度來(lái)提升網(wǎng)絡(luò)性能。但隨著網(wǎng)絡(luò)深度增大梯度消失和模型退化問(wèn)題逐漸凸顯。為了促進(jìn)梯度傳播，DenseNet將特征圖進(jìn)行跨網(wǎng)絡(luò)層連接，即每一層從其之前的所有層獲得輸入，并將自身的輸出特征映射傳遞給其后的所有網(wǎng)絡(luò)層，以確保網(wǎng)絡(luò)中各層之間的信息流最大化[9]，從而加強(qiáng)特征傳遞，抑制梯度消失，如圖2所示。

用表示每層的非線性映射變換，其中表示網(wǎng)絡(luò)層數(shù)，第層的輸出特征圖為：

（1）

其中，表示0，1，...，層的輸出特征圖，表示將個(gè)輸入信號(hào)串聯(lián)形成一個(gè)張量。

3 基于特征重用的交通標(biāo)志識(shí)別算法設(shè)計(jì)

數(shù)據(jù)集中標(biāo)志圖像的分辨率從15pixel×15pixel到250pixel×250pixel不盡相同，首先進(jìn)行尺寸歸一化處理。尺寸變換圖像的質(zhì)量關(guān)鍵由插值方法決定，雙線性插值法計(jì)算量適中，且能較好的保留灰度值的連貫性[10]，因此選用雙線性插值將數(shù)據(jù)集圖像標(biāo)準(zhǔn)化為28pixel×28pixel。

筆者以LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，結(jié)合DenseNet模型中特征重用思想對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行調(diào)整，提出了基于特征重用的交通標(biāo)志識(shí)別算法，如圖3所示。

以上結(jié)構(gòu)中，卷積層選用5×5卷積核，最大池化層采用2×2卷積核，每個(gè)卷積層后采用Rule激活函數(shù)提升網(wǎng)絡(luò)的表達(dá)能力。筆者在文獻(xiàn)[9]思想下，將第1個(gè)池化層的輸出pool1經(jīng)過(guò)二次卷積后與第2個(gè)池化層的輸出pool2一起送入第3層卷積層，實(shí)現(xiàn)了任意兩層卷積層之間直接相連，保證了各個(gè)尺度上圖像特征的極致利用，達(dá)到更好的圖像分類(lèi)效果。其中，二次卷積采用32個(gè)5×5×32卷積核，滑動(dòng)步長(zhǎng)2。算法中加入正則化，降低模型復(fù)雜度，防止模型過(guò)擬合;全連接層后加入Dropout機(jī)制，削弱神經(jīng)元節(jié)點(diǎn)間的聯(lián)合適應(yīng)性，增強(qiáng)模型的泛化能力，同時(shí)加快網(wǎng)絡(luò)訓(xùn)練速度。

4 實(shí)驗(yàn)結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)在Windows 10操作系統(tǒng)的華碩電腦上運(yùn)行，配置為 Intel Core i5-7300HQ CPU、主頻2.5GHz、內(nèi)存8.0GB。采用Python+ OpenCV在Spyder編譯器中編程實(shí)現(xiàn)，依賴(lài)庫(kù)如表1所示。

4.2 模型的優(yōu)化

GTSRB數(shù)據(jù)集數(shù)據(jù)量龐大，由于硬件配置限制，選用數(shù)據(jù)集中0-12共13種類(lèi)型的交通標(biāo)志圖像進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)中BATCH_SIZE設(shè)為100，EPOCHS設(shè)置為200，并且每訓(xùn)練一次輸出一次準(zhǔn)確率、損失值，監(jiān)控整個(gè)訓(xùn)練過(guò)程。

4.2.1 學(xué)習(xí)率參數(shù)選擇

學(xué)習(xí)率的選擇決定著模型能否收斂，以及收斂的快慢，取值太小收斂過(guò)程十分緩慢，取值太大梯度會(huì)在最小值附近來(lái)回震蕩，甚至無(wú)法收斂[11]。筆者對(duì)0.0005、0.0008和0.005三組學(xué)習(xí)率進(jìn)行了測(cè)試，如表2所示。數(shù)據(jù)說(shuō)明，學(xué)習(xí)率為0.005時(shí)準(zhǔn)確率和損失值都非常差;學(xué)習(xí)率為0.0008時(shí)損失最小，識(shí)別準(zhǔn)確率最高，因此設(shè)置學(xué)習(xí)率為0.0008。

4.2.2 Dropout參數(shù)選擇

Dropout通常在CNN的全連接層使用，以防止模型過(guò)擬合。因此，筆者在Full Connection層使用該策略。對(duì)0，0.3，0.5，0.7四組Dropout值進(jìn)行實(shí)驗(yàn)，如表3所示。數(shù)據(jù)說(shuō)明，Dropout參數(shù)為0時(shí)模型最差，為0.5時(shí)模型準(zhǔn)確率達(dá)到最大值，同時(shí)損失最小，因此設(shè)置Dropout為0.5。

4.3 模型對(duì)比與分析

為了驗(yàn)證算法的有效性，筆者對(duì)LeNet-5模型、3層卷積模型和特征重用模型進(jìn)行對(duì)比實(shí)驗(yàn)，如表4所示。由表4可知，在相同分類(lèi)問(wèn)題中，特征重用交通標(biāo)志識(shí)別算法的識(shí)別準(zhǔn)確率明顯高于其他兩種算法。

如圖4-9所示，特征重用交通標(biāo)志識(shí)別算法誤差的下降趨勢(shì)比較穩(wěn)定，整體的準(zhǔn)確率趨勢(shì)同樣表現(xiàn)更加穩(wěn)定。

5 結(jié)語(yǔ)

本文以LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，結(jié)合密集連接卷積神經(jīng)網(wǎng)絡(luò)中特征重用的思想，提出了在交通標(biāo)志識(shí)別任務(wù)中更為優(yōu)秀的特征重用交通標(biāo)志識(shí)別算法，對(duì)不同尺度的圖像特征信息進(jìn)行有效利用，結(jié)合Dropout策略等算法實(shí)現(xiàn)交通標(biāo)志圖像更快更好的分類(lèi)效果。由于實(shí)驗(yàn)設(shè)備配置限制，本次實(shí)驗(yàn)僅采用了GTSRB數(shù)據(jù)集中部分樣本，樣本量有待提升，但是該算法具有較高實(shí)用價(jià)值和參考價(jià)值。

參考文獻(xiàn)

[1] Spadafora W G，Paielli P M，Llewellyn D R，et al.Intelligent transportation system[Z]. US. US7689230，2010.

[2] Wen Y，Lu Y，Yan J，et al.An Algorithm for License Plate Recognition Applied to Intelligent Transportation System.IEEE Transactions on Intelligent Transportation Systems，2011，12（3）：830-845.

[3] 張新鈺，高洪波，趙建輝，等.基于深度學(xué)習(xí)的自動(dòng)駕駛技術(shù)綜述[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2018（58）：438-444.

[4] 陸旻睿.自動(dòng)駕駛的發(fā)展前景淺析[J].中國(guó)設(shè)備工程，2018（22）：126-128.

[5] 謝錦，蔡自興，鄧海濤，等.基于圖像不變特征深度學(xué)習(xí)的交通標(biāo)志分類(lèi)[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2017（4）：632-640.

[6] 仲會(huì)娟.基于CNN的多尺度特征在手寫(xiě)數(shù)字識(shí)別中的應(yīng)用[J].綿陽(yáng)師范學(xué)院學(xué)報(bào)，2019（5）：22-26.

[7] 褚瑩，陶紀(jì)宇，凌力.基于改進(jìn)LeNet-5的交通標(biāo)志識(shí)別算法研究[J].微型電腦應(yīng)用，2019（9）：58-61.

[8] Stallkamp J，Schlipsing M，Salmen J，et al.The German Traffic Sign Recognition Benchmark： A multi-class classification competition [C].International Joint Conference on Neural Networks. IEEE，2011：1453-1460.

[9] Huang G，Liu Z，Maaten L V D，et al.Densely Connected Convolutional Networks[A].2017 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）[C].IEEE Computer Society，2017.

[10] 宋青松，張超，田正鑫，等.基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別[J].湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2018（45）：137-137.

[11] 王全，梁敬文.基于TensorFlow的交通標(biāo)志識(shí)別方法研究[J].價(jià)值工程，2019（27）：204-206.

Research of? the Application to Traffic Sign Recognition Technology Based on Feature Reuse

ZHONG Hui-juan

（College Ofartificial Intelligence， Yango University， Fuzhou? Fujian? 350015）

Abstract：As an important part of active safe driving system and self-driving system， traffic sign recognition plays an important role in the process of road driving safety， however traffic signs collected in real scenes are susceptible to complex environment， resulting in low recognition accuracy. In response to this problem， the network structure is adjusted based on lenet-5 model and densenet ideas， mining network potential and preventing vanishing gradient through feature reuse， the Dropout strategy was added to improve the over-fitting phenomenon， the regularization mechanism was used to constrain the model characteristics and improve generalization ability of the model. Experiments were conducted on the German traffic sign recognition benchmark （gtsrb）， a traffic sign recognition system based on feature reuse is constructed.

Key words：traffic sign recognition; lenet-5; deep learning; convolutional neural network; feature reuse