基于cnn神經(jīng)網(wǎng)絡(luò)的交通限速標(biāo)志識(shí)別

基于BP神經(jīng)網(wǎng)絡(luò)的交通限速標(biāo)志識(shí)1，張志遠(yuǎn)2，3收集與整理資料E-摘要：對(duì)神經(jīng)網(wǎng)絡(luò)理論和神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行了研究，提出了基于CNN神經(jīng)網(wǎng)絡(luò)分類器的交通限速標(biāo)志識(shí)：交通限速標(biāo)志；CNN；:AtrafficspeedlimitsignrecognizemodelbasedonCNNneuralnetworkclassifierisproposed，whiletheneuralnetworktheoryandneuralnetworkclassifiersisdiscussed.Throughalargenumberofexperimentsandcomparison，amodelwithhighrecognitionrateisobtained，whichisappliedtothetrafficsignrecognitionsystem，sothattheinitialimplementationofthesystemiscarriedout.:trafficspeedlimitsign;CNNneuralnetwork;sign1.1研究的意后駕駛等不安全因素的交通事故越來(lái)越多給個(gè)人和國(guó)家的生命財(cái)產(chǎn)造成了巨大的損[1]交通標(biāo)志識(shí)別系統(tǒng)針對(duì)道的交通標(biāo)志進(jìn)行實(shí)時(shí)檢測(cè)與識(shí)別便于交通管理部門對(duì)標(biāo)志的管理和。環(huán)境、氣候以及安裝時(shí)間過(guò)長(zhǎng)等可能會(huì)引起交通標(biāo)志顏色和模糊，人1.2的主要研究?jī)?nèi)使用的實(shí)驗(yàn)圖像是通過(guò)拍照和獲得的地點(diǎn)為大學(xué)附近的卓刀泉路、其成為計(jì)算機(jī)便于識(shí)別的圖像所涉及到的圖像預(yù)處理技術(shù)有圖像幾何尺寸變換方法。為了從背景中分離出限速標(biāo)志，HSI顏色模型的分割方法，對(duì)分割后的圖研究對(duì)象有針對(duì)性地采用簡(jiǎn)單實(shí)用5×5模板的方法來(lái)提取目標(biāo)圖像的特征CNN神經(jīng)網(wǎng)絡(luò)是一種訓(xùn)練速度快、優(yōu)化性能好的神經(jīng)網(wǎng)絡(luò)1.3的組織結(jié)整個(gè)分為九章，各章節(jié)安排如下CNN神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)分析。第八章對(duì)全文進(jìn)行了總結(jié)，并本文研究的局限性以及后續(xù)工作的努力方向。的研究是基于目前國(guó)內(nèi)現(xiàn)行的交通標(biāo)志《道路交通標(biāo)志和標(biāo)線5768-1990。該標(biāo)準(zhǔn)中，交通標(biāo)志的形狀、色彩、圖樣都是依照而設(shè)計(jì)24.5的可分離性，通過(guò)特征顏色分割，可粗略檢測(cè)出獲取圖像中的交通標(biāo)志的位置。彩像分HIS，CIEHIS彩色空間。HSI(Hue-Saturation-Intensity)HSI這三個(gè)信息描述彩色對(duì)象更適合人類的視覺感官是目前彩像處理中應(yīng)用最廣泛的一種彩色空間。HSIRGB2-1[3]： (?????)+(???i=3

)(g-

s=1

min(r,g,b)RGB-HSI空間的非線性轉(zhuǎn)換，花費(fèi)時(shí)間多，實(shí)時(shí)性差。HSI的彩色空間時(shí)，色調(diào)信號(hào)會(huì)發(fā)生較大變化，呈現(xiàn)出不穩(wěn)定的性質(zhì)。gx,y=1{Y≤f(x,y)gx,y=1{Y≤f(x,y)≤ g(x,y)=0

別分類算法研究和應(yīng)用最多的一類算法，取得較多成果。AdelaEscalera等人首先將圖像轉(zhuǎn)32×32個(gè)像素的圖像然后以該圖像的全部像素作為特征輸入到感知器網(wǎng)絡(luò)進(jìn)行分類整個(gè)感知器網(wǎng)絡(luò)為三或四層，輸入層的大小為32×32，輸出為10個(gè)，其中9個(gè)為不同的交通標(biāo)志，另一個(gè)為非交通標(biāo)志；隱層選擇12層，節(jié)點(diǎn)個(gè)數(shù)分別選擇10，30/15，15/15等3種網(wǎng)絡(luò)的分類效果最好[4]。CNNCNN2-1、、彩像處理的理論和技術(shù)尚不夠成熟和完善本次研究選取市八一路、二環(huán)線和水果湖上的速度限制交通標(biāo)志作為研究對(duì)象，以3-13-23-3

HSI模型比較符合人的視覺效果，而且三分量之間相關(guān)性很小，有利于圖像的增I處理可以改變圖像的顏色亮度。具體算法步驟如下：RGBHSIIHSIRGBHSIRGB3-1√ √ 3 [G]=

3

?

[S.cos 直方圖均衡化處理算法描述

[ ? ?建立r與s之間的映射關(guān)系，要求處理后圖像灰度分布的概率密度函數(shù)Ps(s)=1，期望所有灰0≤r≤1，0≤s≤1，r表示歸一化的原始圖像灰度級(jí)，Pr(r)為原始drds∫rj+drP(r)dr=∫sj+dsP

ds=

dT(r)=p S=T(r)=∫rp 0rP(r)=

r S=T(r)∑kP(r)=∑k

j→0r

j→03-2Xkx，Yky，那么原圖中點(diǎn)(x0,y0)對(duì)應(yīng)與新圖中的點(diǎn)(x1,y1)為:{x1=x0×y1=y0×當(dāng)kx>1ky>1kx=ky=23

當(dāng)kx<1ky<1kx=ky=0.51/2HSI分割或聚類區(qū)域合并彩色邊緣檢測(cè)顏色為索引等等[6]其中基于顏色空間的分割，RGBHSIRGBRGB模型中的R、G、B分量存在高度的相關(guān)性，在光照影響下，容易引起顏色點(diǎn)在空HSIRGB模型復(fù)雜，但HSI模型是以色調(diào)、飽和度以及亮度信息描述彩色對(duì)象，更適合人對(duì)顏色的感RGBRGBHSIR、G、B

r=Rg=GBb

h=arctan )(g? ) ) i=3s=1?minIlh=hlpi× lh>360H如果：ih360H360?I=i× S=s×在HSI空間中，本文需要提取的是紅域和黑域，為了加強(qiáng)分割效果，定義紅域H∈[310o360o]∪[0o24o]，定義S30；而黑色在色調(diào)通道中沒有意義，所以在此沒有具體的取值范圍。所以，310°<H<3600°<H<24S>30可以確定為紅域。HSIRGB，并合成像素，最后顯示分割后的圖像。如圖3-4所示為RGB顏色分割后的效果。圖3- RGB顏色分011表示前景像素的值，0表示背景像素的值。例如在本次研究的限速標(biāo)志中，感的紅域和黑域被轉(zhuǎn)化為前景顏色，即其值為1，而其余不感區(qū)域就被轉(zhuǎn)化為背景顏色，即其值為0。如圖3-5分別為彩像和HSI顏色模型分割后3-5HSI7種SB⊕S，定義如下B⊕S=?b∈B

S(4-1)S的原點(diǎn)(S的中心)與二值圖像(4-2)1的像素時(shí)，結(jié)構(gòu)元的每一點(diǎn)就與輸出圖像對(duì)應(yīng)點(diǎn)進(jìn)行邏輯“或”運(yùn)算。圖4-3是對(duì)含有目標(biāo)的圖像在分割后進(jìn)行的膨脹運(yùn)算前后對(duì)比，可以看出，膨脹運(yùn)算可以消除一些很小的缺口(前景像素為1，背景像素為SBΘS，定義如下BΘS={b|b+s S掃過(guò)整幅圖像，針對(duì)二值圖像上每一個(gè)像素點(diǎn)，如果結(jié)構(gòu)元113×32554-6所B很大為了有效的實(shí)現(xiàn)分類識(shí)別需要通過(guò)映射或變換將測(cè)量空間轉(zhuǎn)化成低維特征空間，感區(qū)域定55行內(nèi)白11115-1圖5- 過(guò)權(quán)系數(shù)相連接，其信息分布式于連接權(quán)系數(shù)中，使網(wǎng)絡(luò)具有很強(qiáng)的容錯(cuò)性和魯棒概念，1984年學(xué)者Fukushima基于感受野概念神經(jīng)認(rèn)知機(jī)(neocognitron)可以看S-C-元。S-元中涉每個(gè)S-元的感光區(qū)中由C-元帶來(lái)的視覺模糊量呈正態(tài)分布。如果感光區(qū)的邊緣所產(chǎn)生的模糊效果要比來(lái)得大，S-元將會(huì)接受這種非正態(tài)模糊所導(dǎo)致的更大的變形性。我們希得越來(lái)越大。為了有效地形成這種非正態(tài)模糊，F(xiàn)ukushimaC-元層的改進(jìn)型神經(jīng)VanOoyenNiehuis為提高神經(jīng)認(rèn)知機(jī)的區(qū)別能力引入了一個(gè)新的參數(shù)。事實(shí)上，該Hebb學(xué)習(xí)規(guī)則，某種特征訓(xùn)練的次數(shù)越多，在以后的識(shí)別過(guò)程中就越容易CNN主要是通過(guò)三種方法來(lái)實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的位移變化、尺度變化、形變變化的不變局部感受野和權(quán)值共享:(1)二中的局部感受野可以使神經(jīng)網(wǎng)絡(luò)從輸入圖像中提取到初級(jí)的視覺特征,,后續(xù)的各個(gè)層通過(guò)組合這些初級(jí)特征,級(jí)的特征。)通過(guò)權(quán)值共享,那么那些具有相同權(quán)值的神經(jīng)元就能在輸入圖像上的不同位置檢測(cè)相同的特征,那么輸入中的平移變化,會(huì)以同樣的方向和距離出現(xiàn)在輸出中,卻不引起其他形式的變化。同時(shí)權(quán)值共享也大幅減少了需要訓(xùn)練的權(quán)值數(shù)目。子采樣:通過(guò)子采樣降低了輸入圖像的分辨率,同時(shí)過(guò)濾掉了帶噪聲的特征,而對(duì)圖像識(shí)別起作用的特征得到了增強(qiáng)[1]。-C---面，--s表示。C-元、CC-層s之間存在類似的關(guān)-C-式，樣本特征提取步驟已嵌入到卷積神經(jīng)網(wǎng)絡(luò)模型的互聯(lián)結(jié)構(gòu)中。一般地，s為特征提取cgmd低了網(wǎng)絡(luò)參數(shù)選擇的復(fù)雜度。卷積神經(jīng)網(wǎng)絡(luò)中的每一個(gè)特征提取層-層)求局部平均與二次提取的計(jì)算層(C層入樣本有較高的畸變能力。61[1]14-C-s2--入窗口的大小均為5x5由于同一個(gè)平面上的神經(jīng)元共個(gè)權(quán)值向量所以從一個(gè)平面到-作用隱層與隱層之間空間分辨率遞減而每層所含的平面數(shù)遞增這樣可用于檢測(cè)的特息[1]。

6-1SUs（kllkl個(gè)SSUclkn)個(gè)CCnl Kl

v,kl1,uclkl1,vuk,nrkv,kl1,uclkl1,v

1 rlkrlk1

式(-（v，kl1，）b(k；r(k)控S(k)rl(k)φ(rlrl(k)值允許不太匹配的神經(jīng)元興奮，但它只能產(chǎn)生一個(gè)比較小的輸出；φ(xvnnAl確定Snvkl-1nnc。xx,x0,x

式(6-2)表示的是指定某級(jí)(第l級(jí))、某層(S-層)、某面(第kl個(gè)S-面)、某元(向量為n處)S-元的作用函數(shù)可分為兩部分，即興奮性作用函數(shù)和抑制性作用函KlKlalv,kl1,kucl1kl1,nvkl

SCCCS-級(jí)的參數(shù)感受Al唯一確定。VUvl(n)S-面上滿足以下三個(gè)條件:環(huán)元的抑制作用影響整個(gè)網(wǎng)絡(luò)的運(yùn)作；CV-元間存在著固定的連接；V-元的輸出事先設(shè)為多個(gè)C-元輸出的平均值?？梢杂盟鼇?lái)表示網(wǎng)絡(luò)的抑制性作用，發(fā)送一Kl2uvlnclvKl2kl1

kl1,n1212

cl(v)V—v處的神經(jīng)元相連的權(quán)值，不需要訓(xùn)練這些值，但它們應(yīng)隨著│v2.5的歸一化權(quán)值。c'C Cr2.5C2.6給出，其中：r(v)v處到感受野中心的KlC(l) Kl1C6-7給出

r

1

jl(kl,kl1)dl(v)ust(kl,n u(k,n) Kl1 1 上式中ψ(x)為

1

x

,x

式中β

(x)

（6-kllS子平面的數(shù)量。DlC—元的感受野。因此，它和特征的大小相對(duì)應(yīng)。dl(v)是固定興奮連接權(quán)的權(quán)值，它是│vklS神經(jīng)元子平面從kl-1jl(kl,kl-1)的值為，10。1KVst1Kl

Kldl(v)usl(kj,nKl11

其自然分布傾向來(lái)劃分根據(jù)同類樣本在空間的分布及不同類樣本之間的分離程度找（44步被分為兩個(gè)階段：第一階段，向前階段Op。[16]p p 計(jì)算1 2Ep (ypjopj2j

如前所述，之所以將此階段稱為向后階段，是對(duì)應(yīng)于輸入信號(hào)的正常而言的有時(shí)候也稱之為誤差階段為了更清楚地說(shuō)明本文所使用的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程，首先假設(shè)輸入層、中間層和輸出層的單元數(shù)分別是N、LM。X=(x0,,…,N)是加到網(wǎng)絡(luò)的輸入矢量，H=(h0,h1,…,hL)是中間層輸出矢量，0,y1,…,yM)是網(wǎng)絡(luò)的實(shí)際輸出矢量，并且用0,d1,…,dM來(lái)表示訓(xùn)練組中各模式的目標(biāo)輸出矢量輸ijijjkWjθk和φj來(lái)分別表示輸出單元和隱含單元的閾值。9：hj

Nf Vijxij

（6-而輸出層各單元的輸出是式（6-yk

fWuhjkj0

f(*)S型函數(shù)式（6-f(x)

1

300將各權(quán)值Vij，Wjk和閾值φj，θk0的隨機(jī)值，并初始化精度控制參XD利用式（6-9）H，再用式(6-10)ykdkM個(gè)輸出誤差項(xiàng)1k(dkyk)yk(1yk

（6-L個(gè)誤差項(xiàng)式（6-13：Mjhj(1hj kWjkk

15：Wjk(n)(/(1L))*(Wjk(n1)1)*k*Vij(n)(/(1N))*(Vij(n1)1)*k*hj17：k(n)(/(1L))*(k(n1)1)*kj(n)(/(1L))*(j(n1)1)*19：Wjk(n1)Wjk(n)WjkVij(n1)Vij(n)Vij21：k(n1)k(n)kj(n1)j(n)j

（6-k1至M后，判斷指標(biāo)是否滿足精度要求：E≤ε，EkE1Mk2k

（3試驗(yàn)結(jié)果及分7.1實(shí)驗(yàn)結(jié)都是來(lái)自前一層的一個(gè)局部區(qū)域,并加上一定的權(quán)值,7-1、7-2C3FeatureMap1216的一次訓(xùn)練收斂速度，3、4練之內(nèi)就可以收斂所以在本所涉及的情況下一次訓(xùn)練就已足夠另外我們可以看到，7-1最優(yōu)。10的部分是實(shí)地對(duì)應(yīng)的負(fù)樣本，意味著全部檢測(cè)成功；第三部分為的數(shù)據(jù)部分，存在斜率波動(dòng)，但是較小。對(duì)上圖的現(xiàn)象我們做了如下分析第一部分為的三個(gè)種類的標(biāo)志牌，其中40的標(biāo)志牌數(shù)據(jù)集中并未出現(xiàn)，但由于的數(shù)據(jù)集較大，因此這三類標(biāo)志牌相其字體亦不同，所以標(biāo)志牌檢測(cè)失??；2、對(duì)于第二部分，可能是由于我們選擇的負(fù)樣本與正樣本差距較大，負(fù)樣本的功能不強(qiáng)，所以全部檢測(cè)成功；3、最后一部分由于的最后，也有可能是我們的輸入24×24太小，并不足以區(qū)分出各個(gè)圖像，另外我們7-6中國(guó)CNN神經(jīng)網(wǎng)絡(luò)可以很好的識(shí)別出目標(biāo)圖像。由于在神經(jīng)網(wǎng)絡(luò)中引入了隱含層神經(jīng)元，CNN神經(jīng)網(wǎng)絡(luò)就具有更好的分類和能力，CNN神經(jīng)網(wǎng)絡(luò)CNN神經(jīng)網(wǎng)絡(luò)主要用來(lái)識(shí)別位移、縮放及其他形式不變性的二維圖形。由于CNN時(shí)，避免了顯示的特征抽取，而隱HSIR、G、B三個(gè)圖像分量，了解到目標(biāo)背景在三個(gè)分量圖中灰度差異并不大，所以提出了H、S、I分量圖像互減的方法來(lái)進(jìn)行交通標(biāo)志的分割，HSI模型是以色調(diào)、飽和度以及亮度信息描述彩色對(duì)象，更適合人對(duì)顏色的感本次重點(diǎn)研究了基于CNN神經(jīng)網(wǎng)絡(luò)的交通限速標(biāo)志識(shí)別算法，算法易現(xiàn)，識(shí)別精度高。將CNN算法用于具有非線性轉(zhuǎn)移函數(shù)的三層前饋網(wǎng)絡(luò)，可以任意精度近任何非線CNN算法在應(yīng)CNNCNNSigmoid視覺等多個(gè)領(lǐng)域。雖然本次研究CNN神經(jīng)網(wǎng)絡(luò)算法較傳統(tǒng)的算法具有更好的精確性收集更合理的樣本數(shù)據(jù),良好的樣本庫(kù)對(duì)進(jìn)一步提高分類識(shí)別的準(zhǔn)確性有重要的擴(kuò)大研宄的對(duì)象,由于現(xiàn)實(shí)生活中我們遇到的交通標(biāo)志包含的種類,更加通用的交通標(biāo)志識(shí)別系統(tǒng)需要包含其他的交通標(biāo)志類型。致的學(xué)習(xí)歷程，內(nèi)心充滿對(duì)所有幫助過(guò)我的人們的感激之情,沒有的幫助和教誨,就沒有現(xiàn)我最的感謝！并祝黃老師工作順利、家人安康！感謝我們小組的各位成員，沒有的默契配合和互相幫助，就沒有這次的研究成果。感謝同學(xué)在研究過(guò)程中對(duì)程序代碼和實(shí)驗(yàn)過(guò)程的辛勤付出感謝同學(xué)在研究過(guò)程中查閱和搜料的辛勤付出。參考文獻(xiàn)J.Miura，M.Itoh，Y.Shirai.TowardVision-basedInligentNavigator.IEEETransactionsonInligentTransportationSystem.2002，3(2):136-146.，，等．圖像分割方法綜述[J]．電信學(xué)報(bào)，2006，10：39-，先．彩像分割：優(yōu)勢(shì)與展望[J]．湘潭大會(huì)科學(xué)學(xué)報(bào)．2003，27：236-Lin