基于BP神經(jīng)網(wǎng)絡(luò)的交通標志識別

引言

近年來，交通標志識別在車輛視覺導(dǎo)航系統(tǒng)中是一個熱 門研究課題。由于交通標志識別需要處理的信息量大，而且 存在大量干擾因素，待識別的圖像往往存在干擾，因而要求 交通標志識別方法要有足夠的快速性、穩(wěn)定性。神經(jīng)網(wǎng)絡(luò)具有 強大的學習分類以及大規(guī)模并行計算能力，被廣泛地應(yīng)用于 圖像處理、模式識別等。本文以典型的指示標志為對象，提 出了一種應(yīng)用神經(jīng)網(wǎng)絡(luò)識別交通標志的方法。

1交通標志識別系統(tǒng)結(jié)構(gòu)分析

由于本文主要研究藍色指示交通標志的識別，所以重點 采集這一系列交通標志。其交通標志分割流程圖如圖1所示。2提取交通標志特征矩 

2.1不變矩的提取流程

交通標志不變矩特征提取流程圖如圖2所示。

2.2交通標志特征提取實驗和結(jié)果分析

本文對環(huán)島行駛、非機動車摩托車行駛和靠右側(cè)道路行 駛?cè)齻€交通標志進行分割后，分別對它們進行旋轉(zhuǎn)、縮小和 放大，并對這些圖像進行了不變矩提取，其特征數(shù)據(jù)如表1、表2和表3所列。

由上表可知 ：在這些提取的特征中，不同類型的交通標志矩值之間有明顯的區(qū)別。比如表 1 中的 β3 與表 2 和表 3 有明顯的不同 ；表 3 中的 β6 與另外兩個表也有明顯的不同。將這些特征值輸入到神經(jīng)網(wǎng)絡(luò)中，然后經(jīng)過訓(xùn)練，它們之間的差異即可以成為識別不同交通標志的依據(jù) [3，4]。另外，從表中數(shù)據(jù)也可以看出，同一類交通標志在做旋轉(zhuǎn)、平移和尺度變換后各個相對應(yīng)的的同一類矩的值并不是一樣的，但是這并不能與不變矩理論相駁斥，數(shù)據(jù)之間的差異在試驗中還是存在的，如果以概率統(tǒng)計觀點看，從所有提取的特征來看，這些矩是基本不變的。

3基于BP神經(jīng)網(wǎng)絡(luò)的交通標志識別系統(tǒng)的設(shè)計

3.1特征數(shù)據(jù)庫的構(gòu)建

由于實際中使用的藍色指示標志與標準圖有較大的差別，所 以在實驗中所使用的交通標志都是由數(shù)碼相機采集的實景圖像。

實驗中選取了 8種類型的交通標志作為本文前期研究和 仿真的對象。我們對每幅圖像再做不同角度旋轉(zhuǎn)和不同比例 因子的縮放變換（分別縮放為原圖的0.8、0.6、0.4、1.2、1.4、1.6,旋轉(zhuǎn)度數(shù)分別為 5。、8。、10。、-5。、-8。、-10。），總 共得到43X13=559幅圖像，然后對圖像進行分割和特征提取, 最終得到559個特征數(shù)據(jù)。實驗時將這些數(shù)據(jù)分為兩部分: 一部分有325個數(shù)據(jù)，用來對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；另一部分 有234個數(shù)據(jù)，作為測試樣本，用來進行分類識別。

對于訓(xùn)練策略，本文采用完全訓(xùn)練方法。選擇的交通標 志圖像庫共有8種標志，樣本類別數(shù)為8，因此輸出層的節(jié)點 數(shù)設(shè)為8。隱藏層節(jié)點對網(wǎng)絡(luò)的復(fù)雜度和識別率的高低有重要 作用，本設(shè)計采用試探法，圖3所示是BP網(wǎng)絡(luò)訓(xùn)練的誤差曲線, 圖4所示是環(huán)島標志的仿真圖片。事實上，采用不同的隱藏層 節(jié)點數(shù)目神經(jīng)網(wǎng)絡(luò)具有不同的識別效果［5, 6］。

圖3 BP網(wǎng)絡(luò)訓(xùn)練的誤差曲線

圖4  環(huán)島標志的仿真圖片

最后，網(wǎng)絡(luò)初始化完成后，還可以對BP神經(jīng)網(wǎng)絡(luò)進行 訓(xùn)練。對于本文中三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，我們采用了改進 的BP學習算法，即彈性BP算法對神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進 行了訓(xùn)練，經(jīng)過多次訓(xùn)練后，網(wǎng)絡(luò)的性能將達到穩(wěn)定。

3.2仿真實驗的設(shè)計與實驗結(jié)果分析

3.2.1交通標志實景圖識別結(jié)果展示

本文以環(huán)島標志為例，展示仿真各個步驟的結(jié)果。圖像 分割后經(jīng)旋轉(zhuǎn)、縮放得到13幅圖像用于仿真。對這13幅圖片 分別提取特征矩，13幅環(huán)島標志圖像均能夠被正確識別出來，識別結(jié)果顯示如圖5所示。

3.2.2探索隱層節(jié)點數(shù)對識別效果的影響

依照如上的仿真步驟，對所有559幅圖像（包括訓(xùn)練樣 本和測試樣本)進行仿真，并分別統(tǒng)計其識別率，具體的實驗 結(jié)果如表4所列。

由表4可以看出，識別中，訓(xùn)練樣本的識別都能達到 100% ；對于測試樣本的識別，當隱藏層節(jié)點數(shù)為50時識別 率最高，同時我們注意到，隨著隱藏層節(jié)點數(shù)增加，識別率 不斷提高，同時訓(xùn)練時間也隨之變短。

實驗中，直行標志的識別率最低，分析發(fā)現(xiàn)，這是由于 其顏色不正引起的。增加網(wǎng)絡(luò)中隱層節(jié)點的數(shù)目也主要是為了 提高該標志的識別率，而其他其中標志的識別率一直比較高, 對隱層節(jié)點數(shù)的改變不敏感[7' 8Io當隱層節(jié)點數(shù)為50時，直 行標志的識別率最高，同時整個系統(tǒng)的識別率也最高。

4結(jié)語

本文提出了神經(jīng)網(wǎng)絡(luò)在交通標志識別過程中分類器的訓(xùn) 練和測試過程與算法。在此基礎(chǔ)上，選擇了 8種類型的交通 標志，經(jīng)過分割和特征提取，得到了 559個不變矩數(shù)據(jù)，將 數(shù)據(jù)人為分為兩份，一份325個用來訓(xùn)練，一份234個用來測試。接著在不同參數(shù)下進行了實驗和比較，最后確定了較好的神經(jīng) 網(wǎng)絡(luò)參數(shù)，并在Matlab語言環(huán)境下對交通標志識別系統(tǒng)作了 初步實現(xiàn)。當然，本文還有很多不足之處。因此，提出新的學 習算法，以達到更好的識別率，將是進一步研究的方向。

20211020_616ef42cd576d__基于BP神經(jīng)網(wǎng)絡(luò)的交通標志識別