[发明专利]一种基于非对称卷积神经网络的交通标志识别方法

说明书

技术领域

本发明属于智能交通标志识别技术领域，涉及一种基于非对称卷积神经网络的交通标志识别方法，用以解决交通标志识别问题中识别速度较慢，且鲁棒性不强的问题。

背景技术

近年来，智能交通系统得到了很大的发展，2010年，奥迪无人驾驶自动汽车行驶12.42公里，抵达落基山派克峰顶，标志着智能交通系统中的无人驾驶汽车技术逐渐走向成熟，而交通标志自动识别是无人驾驶汽车技术的重要组成部分。

交通标志识别有着直接的现实应用，如安全驾驶，自动驾驶，场景理解和信号检测等。交通标志的识别是一个受限的分类问题，因为交通标志类别数目是一定的，并且每一类交通标志的形态是严格一致的。通过前面的介绍，交通标志识别似乎是比较容易的问题，其实不然。在实际的交通标志识别过程中，会存在视角变化、不同的光照条件、运动模糊、物理损坏、遮挡、涂鸦和褪色等多种问题，给交通标志的识别问题造成了困难。

分类算法通常分为两类，一类是学习型算法，通过学习找到一个最优的分割平面，将两类或者多类区分开来，比如SVM(Support Vector Machine，支持向量机)，Adaboost(Adaptive Boosting，自适应增强)，神经网络等；另一类为最邻近算法，是在已有的训练样本中找到与测试样本最近的一个，进而判断测试样本类别，比如说模板匹配，k-d(k-dimensionality，k维)树等。

针对道路交通标志的识别，已经有不少方法被提出。FatinZaklouta等采用k-d树和随机森林的方法来对交通标志进行分类(Zaklouta F,Stanciulescu B,Hamdoun O.Traffic sign classification using kd trees and random forests[C].Neural Networks(IJCNN),The 2011International Joint Conference on.IEEE,2011:2151-2155.)，具有快速建立、更新和搜索等优点，且更加适合非平衡数据。Yaxiang Fan等采用层次性稀疏表示方法(Fan Y,Sun H,Zhou S,et al.Hierarchical Sparse Representation for Traffic Sign Recognition[C].Proceedings of 2013Chinese Intelligent Automation Conference.Springer Berlin Heidelberg,2013:653-660.)，该方法是利用了稀疏表示对噪音和遮挡具有鲁棒性，且交通标志不同大类之间的区别明显，而同一类之间的区别相对来说不明显等特点。Suisui Tang等利用在计算机视觉中已被证明有效的多个特征，HOG(Histogram of Oriented Gradient，梯度方向直方图)、Garbor滤波器特征和LBP(Local Binary Pattern，局部二值模式)特征，将这三个特征组合起来，用SVM进行分类(Tang S,Huang L L.Traffic Sign Recognition Using Complementary Features[C].Pattern Recognition(ACPR),2013 2nd IAPR Asian Conference on.IEEE,2013:210-214.)，减小了计算量，加快了分类速度。Ciresan等提出的Multi-column deep neural network通过将多个卷积神经网络的结果通过线性组合得到最后的结果(D,Meier U,Masci J,et al.Multi-column deep neural network for traffic sign classification[J].Neural Networks,2012,32:333-338.)，取得了非常好的效果；Pierre Sermanet等提出的多尺度卷积神经网络(Sermanet P,LeCun Y.Traffic sign recognition with multi-scale convolutional networks[C].Neural Networks(IJCNN),The 2011International Joint Conference on.IEEE,2011:2809-2813.)，将第一层子采样层和第二层子采样层的结果组合后，形成多尺度特征，再经过分类器进行分类，还有Ciresan等结合卷积神经网络与HOG+SVM分类等等，在交通标志分类上面都取得了很好的效果。