車輛輔助駕駛中的交通標(biāo)志識(shí)別方法研究

陳嚴(yán)

摘 要 輔助駕駛是被用來(lái)協(xié)助駕駛?cè)藛T安全駕駛，旨在降低人為風(fēng)險(xiǎn)，提升駕駛?cè)藛T與行人安全性的系統(tǒng)。為了能夠保證交通標(biāo)志識(shí)別具備一定的實(shí)時(shí)性與準(zhǔn)確率，本文提出了一種合理高效的交通標(biāo)志識(shí)別方法。在已公開(kāi)的GTSDB數(shù)據(jù)集基礎(chǔ)上編寫程序截取交通標(biāo)志，建立小規(guī)模的常見(jiàn)交通標(biāo)志檢測(cè)數(shù)據(jù)集;對(duì)交通標(biāo)志形狀與顏色特征進(jìn)行分析，最終判別效果良好。

關(guān)鍵詞 交通標(biāo)志識(shí)別 HSV顏色特征 圖像預(yù)處理

中圖分類號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：A

0引言

車輛輔助駕駛系統(tǒng)是通過(guò)配置在汽車上的各類傳感器，讓汽車行駛過(guò)程中自動(dòng)感知環(huán)境、收集并處理數(shù)據(jù)、反饋結(jié)果，來(lái)實(shí)現(xiàn)對(duì)關(guān)鍵信息進(jìn)行自主判斷或者提示駕駛?cè)藛T操作的功能，最終達(dá)到輔助駕駛的目的。而交通標(biāo)志識(shí)別技術(shù)作為輔助駕駛中熱門研究方向，在提供前方道路信息基礎(chǔ)上，能夠有效引導(dǎo)保障駕駛?cè)藛T安全行車與舒適駕駛。

1交通標(biāo)志識(shí)別基礎(chǔ)

1.1交通標(biāo)志

交通標(biāo)志一般是被設(shè)置在道路一側(cè)提供指示或者引導(dǎo)信息給駕駛?cè)藛T的標(biāo)志。國(guó)內(nèi)外標(biāo)志的差異性很大，與國(guó)內(nèi)交通標(biāo)志發(fā)展相比，國(guó)外設(shè)立有關(guān)標(biāo)志的規(guī)范較早且范圍更廣，但是在實(shí)際應(yīng)用到我國(guó)道路上時(shí)，可能會(huì)出現(xiàn)水土不服的現(xiàn)象。因此，我們?cè)谘芯吭擁?xiàng)技術(shù)時(shí)，應(yīng)當(dāng)注重開(kāi)發(fā)基于我國(guó)交通標(biāo)志識(shí)別的系統(tǒng)。

1.2交通標(biāo)志數(shù)據(jù)集

交通檢測(cè)數(shù)據(jù)集是一個(gè)含有大量被用來(lái)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練的交通標(biāo)志圖像的集合，其中既可以只有正樣本，也可以在有正樣本的基礎(chǔ)上有不含標(biāo)志的負(fù)樣本。目前有兩種交通標(biāo)志檢測(cè)數(shù)據(jù)集被廣泛地使用在交通標(biāo)志識(shí)別研究上，分別是德國(guó)交通標(biāo)志數(shù)據(jù)集與比利時(shí)交通標(biāo)志數(shù)據(jù)集。但是考慮到我國(guó)交通標(biāo)志與德國(guó)、比利時(shí)在外形和種類方面都有顯著差異，因此，在進(jìn)行訓(xùn)練時(shí)我們需要使用符合我國(guó)國(guó)情的自收集交通標(biāo)志檢測(cè)數(shù)據(jù)集。

2交通標(biāo)志檢測(cè)

在獲得原始圖像后，人們往往會(huì)發(fā)現(xiàn)圖像中存在著部分細(xì)節(jié)模糊、噪聲等一系列問(wèn)題，如果這些問(wèn)題圖像在后續(xù)的交通標(biāo)志檢測(cè)與判別上被使用，會(huì)對(duì)交通標(biāo)志分割與深度學(xué)習(xí)訓(xùn)練以及判別效果，產(chǎn)生極大的負(fù)面影響。為此，我們需要在開(kāi)始正式檢測(cè)與判別步驟前引入圖像預(yù)處理技術(shù)，來(lái)提升原始圖像的質(zhì)量，盡可能地降低問(wèn)題圖像對(duì)后續(xù)步驟的不利影響

3標(biāo)志識(shí)別方法

對(duì)于交通標(biāo)志判別，主要是通過(guò)在深度學(xué)習(xí)框架上搭建神經(jīng)網(wǎng)絡(luò)訓(xùn)練實(shí)現(xiàn)。

3.1深度學(xué)習(xí)判別圖像原理

TensorFlow在判別在圖片判別過(guò)程時(shí)，圖片先被傳送到深度學(xué)習(xí)模型中，并通過(guò)被廣泛使用的神經(jīng)網(wǎng)絡(luò)進(jìn)行一系列運(yùn)算。一般采用以下幾種神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行深度學(xué)習(xí)中圖像判別任務(wù)：卷積神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)。其中CNN是圖像識(shí)別方法里主流且識(shí)別效果較好的方法。

3.2 Inception-V3圖像識(shí)別模型

Inception-V3是谷歌開(kāi)源項(xiàng)目之一，是Google Net的第3個(gè)的版本，具備圖像判別效率高、訓(xùn)練簡(jiǎn)單、成本低等優(yōu)點(diǎn)。模型在訓(xùn)練過(guò)程中并不需要擁有配置GPU或者高性能運(yùn)算功能的計(jì)算機(jī)，并且在整個(gè)一系列訓(xùn)練完成后就可以得到一個(gè)效果非常好的模型。這種架構(gòu)最大的特點(diǎn)就是極大地提高了在網(wǎng)絡(luò)中計(jì)算機(jī)資源的使用效率。

4實(shí)驗(yàn)結(jié)果分析

4.1實(shí)驗(yàn)數(shù)據(jù)集的建立

為了檢驗(yàn)Inception-V3模型能否較好的判別交通標(biāo)志，需要進(jìn)行用大量交通標(biāo)志進(jìn)行訓(xùn)練與檢驗(yàn)。考慮到現(xiàn)公開(kāi)的長(zhǎng)沙理工制作的CTSDB中交通實(shí)景圖都是整張圖像的形式公開(kāi)，并未像GTSDB與BTSD那樣是以具體的標(biāo)志小圖表示。因此本次實(shí)驗(yàn)是在已公開(kāi)的CTSDB基礎(chǔ)上，通過(guò)遍歷該CTSDB中近10000張交通實(shí)景圖，并根據(jù)GroundTruth中提供的交通標(biāo)志信息進(jìn)行裁剪。最終構(gòu)建了一個(gè)由禁令標(biāo)志、警告標(biāo)志、指示標(biāo)志共3大類組成的主標(biāo)志檢測(cè)數(shù)據(jù)集。

4.2標(biāo)志判別結(jié)果

我們選用TensorFlow深度學(xué)習(xí)框架，并在此基礎(chǔ)上采用Inception-V3模型對(duì)交通標(biāo)志進(jìn)行分類判別?？紤]到Inception-V3模型是一個(gè)比較成熟的圖像識(shí)別模型，而交通標(biāo)識(shí)別主要采用卷積網(wǎng)絡(luò)對(duì)圖像特征提取，很多參數(shù)都是可以適用，同時(shí)為了減少訓(xùn)練所用的時(shí)間，在訓(xùn)練時(shí)對(duì)于模型中卷積層與Mixed結(jié)構(gòu)參數(shù)都進(jìn)行保留，只訓(xùn)練其中Softmax即分類器的參數(shù)。

5結(jié)論

在GTSDB數(shù)據(jù)集基礎(chǔ)上截取交通標(biāo)志，建立小規(guī)模常見(jiàn)交通標(biāo)志檢測(cè)數(shù)據(jù)集，經(jīng)相關(guān)圖像預(yù)處理技術(shù)后可正確檢測(cè)出圖像中的交通標(biāo)志，具有一定的實(shí)用價(jià)值;在TensorFlow深度學(xué)習(xí)框架上使用 Inception-V3圖像識(shí)別模型對(duì)CTSDB訓(xùn)練集部分標(biāo)志進(jìn)行判別的效果良好，錯(cuò)誤率與漏檢率都很低;最后自采集的校園交通標(biāo)志的檢測(cè)驗(yàn)證試驗(yàn)，識(shí)別的準(zhǔn)確率可以達(dá)到90%以上，表明以上的一整套交通標(biāo)志識(shí)別方法是可行的。

參考文獻(xiàn)

[1] 王坤明，楊斐，許忠仁.基于神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別方法[J].遼寧石油化工大學(xué)學(xué)報(bào)，2003，23（01）：77-79.

[2] 李倫波，馬廣富.自然場(chǎng)景下交通標(biāo)志檢測(cè)與分類算法研究[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2009（11）：29-33.