近几年来,随着交通条件日益成熟,道路基础设施逐渐健全,尤其是在较发达的城市,道路交通已占主导地位,交通标志对于道路交通的畅通运行显得尤为重要;另一方面,随着智能汽车的不断发展,道路交通标志的自动识别作为智能汽车的基本技术之一,受到人们的高度关注。在实际交通环境下,由于运动模糊、光线干扰、天气条件以及拍摄视角等因素,所采集的交通标志的图像质量往往很差,这就对交通标志自动识别带来了困难,更对交通标志识别方法的准确性和鲁棒性提出了很高的要求。

因此,如何快速、准确、有效地识别出道路中的交通标志具有重要的研究意义。道路交通标志的识别主要有两个基本环节:首先是交通标志的检测,包括交通标志的定位、提取以及必要的预处理;其次是交通标志的识别,包括交通标志的特征提取及分类。

道路交通标志的识别方法主要有两类形式,一种是采用“人工特征+机器学习”的识别方法,另一种是近几年发展起来的基于深度学习模型的识别方法。本文在研究深度学习的基础上,提出了一种基于深层卷积神经网络的交通标志识别方法,并通过仿真实验验证了该方法的有效性。论文的主要研究内容有:(1)深度学习学习和研究了深度学习的理论与模型,指出深度学习是通过模拟人脑的逐层结构来构建具有很多隐层的机器学习模型,来自动地学习更有用的特征,从而最终提升分类或预测的准确性;(2)应用深层卷积神经网络识别交通标志深入研究了深度学习卷积神经网络模型的基本原理与结构,提出了一种基于深层卷积神经网络的交通标志识别方法。该方法采用深层卷积神经网络的有监督学习模型,直接将采集的交通标志图像经二值化后作为网络的输入,通过卷积神经网络的卷积层和池采样层的交替多层处理,来模拟人脑感知视觉信号的多层次结构,以自动地提取交通标志图像的特征,最后再利用一个全连接的网络实现交通标志特征的识别。

实验结果表明,该方法利用卷积神经网络的深度学习能力,自动地学习交通标志的特征,不仅避免了传统的人工设计特征的提取,而且有效地提高了交通标志识别的效率,具有良好的泛化能力和适应范围。