一种基于多分辨率卷积神经网络的交通标志识别方法
【技术领域】
[0001] 本发明属于计算机应用技术领域机器学习理论及应用子领域，本发明专利关注于 智能交通技术中的交通标志识别问题。提出一种多分辨率卷积神经网络交通标志识别方 法，用于解决使用卷积神经网络进行交通标志识别时速度较慢的问题，使用不同分辨率的 二维图像作为输入，并行运算两个相同结构的卷积神经网络进行特征映射和提取，而后基 于网络训练的权值阔值进行精确分类和识别。既保证了提取的图像特征的多样性，又提升 了网络的运算速度，有效兼顾了识别精度和识别速度。
【背景技术】
[0002] 交通标志是道路交通系统的一个重要组成部分，其作用主要包括显示当前路段的 交通状况，提示驾驶环境中的危险和困难、警告驾驶员、为驾驶员指路等，为安全舒适的驾 驶提供有用信息。如果完全靠驾驶员自己注意和发现交通标识并做出正确的反应，难免会 增加驾驶负担，加速疲劳，严重地可能会导致交通事故。因此，安全可靠快速的交通标识识 别系统显得越来越重要，大量研究研人员也都致力于该一领域的研究。
[0003] 最早的交通标志识别始于上世纪70年代初，但直到80年代中期W后，才进入高速 发展时期。
[0004] 1987年，日本展开了对道路交通标志的检测、识别的研究。2000年，日本高校研发 了每秒可检测60帖的交通标志识别系统（Miura J, Kanda T,化irai Y. An active vision system for real-time traffic sign recognition[C]. //Intelligent Transportation Systems, 2000. Proceedings. 2000 I邸E. IE邸，2000:52-57.)，该系统义用了两台摄像机， 分别固定在汽车内，W便采集到具有高质量的图像，一台用于粗定位，一台用于采集，通过 阔值分割和模板匹配达到了很高的识别准确率。
[0005] 20世纪90年代初，德国梅赛德斯奔驰公司的Lutz Priese等人研究出了当时技术 最为领先的交通标志自动识别系统（Priese LKlieber J,Lakmann R,et al. New results on traffic sign recognition[C]//Intelligent Vehicles'94 Symposium, Proceedings of the. I邸E, 1994:249-254)，该系统包括 CSC(Color StrucUire Code)和 TSR(Traffic Sign Recognition)，在颜色编码W及形状特征和模板识别等方面取得了一定的研究成果。
[0006] 2008年，Mobileye公司与Continental公司合作开发的交通标志识别系统应用于 宝马7系列汽车，2009年又用于奔驰S级汽车，该系统对限速标志实现了高准确性的实时监 巧。，主要采用了前置摄像头和专用处理器相结合的方法。
[0007] 交通标志识别一般包括两个主要步骤；检测与识别。在检测阶段，根据标志的特征 (如颜色与形状）对图像进行预处理和分割，去除无效信息对识别的干扰，只对目标可能存 在的区域进行处理，减少计算量。在识别阶段，对目标所在区域，用不同的方法提取特征，并 用合适的分类算法对该些区域进行分类，得到交通标识的类型信息。
[000引当前，常用的交通标志检测的算法主要有=类：基于颜色的方法，基于形状的方 法和基于颜色与形状相结合的方法。
[0009] 基于颜色的方法是应用最广泛的，其主要算法按照颜色空间的不同主要有四种： RGB彩色空间的阔值分割算法；HIS彩色空间的阔值分割算法；服V彩色空间的阔值分割算 法；除了上述=种常用的彩色空间之外，还有YCB化彩色空间和LAB彩色空间等不常用彩色 空间。
[0010] 由于交通标志一般具有固定且简单的形状，基于形状特征的检测算法也被研究人 员广泛应用，常用的方法有；模板匹配法；册UGH变换法；拐角检测法；神经网络；数学形态 学的方法等。
[0011] 基于颜色的检测和基于形状的检测各有优缺点，基于颜色的检测简单，计算量小， 但易受光照、阴雨天气、图像噪声等环境因素影响。基于形状的方法对光照等外部环境的 鲁椿性更好，且各个国家交通标志的形状基本相似，该种方法的通用性较强，基于形状的方 法缺点是容易受形状相似的物体影响，比如方形的窗户、广告牌等且当距离交通标志较远 时，不容易提取形状。因此，很多研究人员都采用颜色和形状特征相结合的方法（Torresen J, Bakke J 胖，Sekanina L. Efficient recognition of speed limit signs[C]// Intelligent Transportation Systems. 2004:652-656.)来确定最终结果。
[0012] 交通标识识别常用的方法大致有两类；一类是特征提取算法，另一类是机器学习 的算法。特征提取算法中典型的有：主成分分析方法PCA ;G油or特征提取算法出aar小波 特征提取算法；类化ar特征提取算法等。机器学习目前存在的主要算法有；K順算法；决策 树；神经元网络；支持向量机SVM ;Ad油oost算法等。
[0013] 随着神经网络的发展，近年来，基于深度学习的卷积神经网络（Le化n Y，Bengio Y.Convolutional networks for images, speech, and time series[J]. The handbook of brain theoiT and neural networks, 1995, 3361.)被广泛的应用于语音、图像 和自然语言的识别，并取得了很好的成绩。而在交通标志识别领域，Cir巧an D等 人提出了的多纵卷积神经网络（基于多纵深度神经网络的交通标志识别，Cir巧an D, Meier U, Masci J, et al. Multi-column deep neural network for traffic sign classification^]. Neural Networks, 2012, 32:333-338. ) W 及 Sermanet P 和 Le化n Y等人提出的多尺度卷积神经网络（基于多尺度卷积神经网络的交通标志识别 Sermanet P,LeCun Y.Traffic sign recognition with multi-scale convolutional networks[C]//Neural Networks(IJCNN), The 2011 International Joint Conference on. IE邸，2011:2809-2813.)，充分的提取图像特征，取得了较高的识别率，在GTSRB(德国 交通标志识别基准）竞赛中取得了很好的成绩，甚至超过了人类的识别率。
[0014] 虽然卷积神经网络在识别准确率上取得了良好的效果，但是其运算速