未来智库 > 神经网络论文 > 基于BP神经网络的交通标志识别

基于BP神经网络的交通标志识别

发布时间:2017-12-06 16:47:00 文章来源:未来智库    
    关键词:交通标志;BP神经网络;标志识别;物联网
    中图分类号:TP183 文献标识码:A 文章编号:2095-1302(2013)05-0018-03
    0 引 言
    近年来,交通标志识别在车辆视觉导航系统中是一个热门研究课题。由于交通标志识别需要处理的信息量大,而且存在大量干扰因素,待识别的图像往往存在干扰,因而要求交通标志识别方法要有足够的快速性、稳定性。神经网络具有强大的学习分类以及大规模并行计算能力,被广泛地应用于图像处理、模式识别等。本文以典型的指示标志为对象,提出了一种应用神经网络识别交通标志的方法[1]。
    1 交通标志识别系统结构分析
    由于本文主要研究蓝色指示交通标志的识别,所以重点采集这一系列交通标志。其交通标志分割流程图如图1所示。
    2 提取交通标志特征矩
    2.1 不变矩的提取流程
    交通标志不变矩特征提取流程图如图2所示。
    2.2 交通标志特征提取实验和结果分析
    本文对环岛行驶、非机动车摩托车行驶和靠右侧道路行驶三个交通标志进行分割后,分别对它们进行旋转、缩小和放大,并对这些图像进行了不变矩提取,其特征数据如表1、表2和表3所列。
    图1 交通标志分割流程图
    图2 交通标志不变矩特征提取流程图
    表1 环岛行驶标志正常和旋转、缩放情况下不变矩值
    不变距
    情况 β1 β2 β3 β4 β5 β6
    正常 2.634 0 0.918 8 1.389 0 0.224 0 1.080 9 2.078 2
    旋转90° 2.634 0 0.918 8 1.389 0 0.224 0 1.080 9 2.077 5
    缩小为1/2 2.634 4 0.919 2 1.386 7 0.224 5 1.076 9 2.071 6
    放大1.5倍 2.634 8 0.918 2 1.393 0 0.223 9 1.075 7 2.074 7
    表2 非机动车摩托车行驶标志正常和
    旋转、缩放情况下不变矩值
    不变距
    情况 β1 β2 β3 β4 β5 β6
    正常 2.172 7 1.023 8 0.898 6 0.282 1 0.993 7 2.056 0
    旋转90° 2.172 7 1.023 8 0.898 6 0.280 7 0.993 7 2.076 1
    缩小为1/2 2.173 1 1.024 5 0.898 2 0.282 1 0.994 1 2.057 1
    放大1.5倍 2.172 5 1.024 1 0.898 6 0.282 1 0.993 7 2.056 1
    表3 靠右侧道路行驶标志正常和旋转、缩放情况下不变矩值
    不变距
    情况 β1 β2 β3 β4 β5 β6
    正常 2.317 3 1.264 3 0.764 8 0.327 5 1.086 7 1.776 9
    旋转90° 2.317 3 1.264 3 0.764 8 0.287 7 1.086 7 2.303 6
    缩小为1/2 2.317 9 1.264 8 0.764 6 0.327 6 1.087 0 1.776 3
    放大1.5倍 2.316 7 1.264 3 0.765 3 0.328 1 1.086 9 1.771 2
    由上表可知:在这些提取的特征中,不同类型的交通标志矩值之间有明显的区别。比如表1中的β3与表2和表3有明显的不同;表3中的β6与另外两个表也有明显的不同。将这些特征值输入到神经网络中,然后经过训练,它们之间的差异即可以成为识别不同交通标志的依据[3,4]。另外,从表中数据也可以看出,同一类交通标志在做旋转、平移和尺度变换后各个相对应的的同一类矩的值并不是一样的,但是这并不能与不变矩理论相驳斥,数据之间的差异在试验中还是存在的,如果以概率统计观点看,从所有提取的特征来看,这些矩是基本不变的。
    3 基于BP神经网络的交通标志识别系统的设计
    3.1 特征数据库的构建
    由于实际中使用的蓝色指示标志与标准图有较大的差别,所以在实验中所使用的交通标志都是由数码相机采集的实景图像。
    实验中选取了8种类型的交通标志作为本文前期研究和仿真的对象。我们对每幅图像再做不同角度旋转和不同比例因子的缩放变换(分别缩放为原图的0.8、0.6、0.4、1.2、1.4、1.6,旋转度数分别为5°、8°、10°、-5°、-8°、-10°),总共得到43×13=559幅图像,然后对图像进行分割和特征提取,最终得到559个特征数据。实验时将这些数据分为两部分:一部分有325个数据,用来对神经网络进行训练;另一部分有234个数据,作为测试样本,用来进行分类识别。
    对于训练策略,本文采用完全训练方法。选择的交通标志图像库共有8种标志,样本类别数为8,因此输出层的节点数设为8。隐藏层节点对网络的复杂度和识别率的高低有重要作用,本设计采用试探法,图3所示是BP网络训练的误差曲线,图4所示是环岛标志的仿真图片。事实上,采用不同的隐藏层节点数目,神经网络具有不同的识别效果[5,6]。
    图3 BP网络训练的误差曲线
         图4 环岛标志的仿真图片
    最后,网络初始化完成后,还可以对BP神经网络进行训练。对于本文中三层结构的BP神经网络,我们采用了改进的BP学习算法,即弹性BP算法对神经网络的权值和阈值进行了训练,经过多次训练后,网络的性能将达到稳定。
    3.2 仿真实验的设计与实验结果分析
    3.2.1 交通标志实景图识别结果展示
    本文以环岛标志为例,展示仿真各个步骤的结果。图像分割后经旋转、缩放得到13幅图像用于仿真。对这13幅图片分别提取特征矩, 13幅环岛标志图像均能够被正确识别出来,识别结果显示如图5所示。
    3.2.2 探索隐层节点数对识别效果的影响
    依照如上的仿真步骤,对所有559幅图像(包括训练样本和测试样本)进行仿真,并分别统计其识别率,具体的实验结果如表4所列。
    图5 环岛标志识别结果
    表4 交通标志识别仿真实验结果
    隐层节点数 步长 训练样本识别率 测试样本识别率
    10 969 100% 85.00%
    20 113 100% 85.60%
    30 140 100% 89.00%
    40 74 100% 91.46%
    50 60 100% 93.09%
    60 69 100% 91.89%
    90 45 100% 90.70%
    由表4可以看出,识别中,训练样本的识别都能达到100%;对于测试样本的识别,当隐藏层节点数为50时识别率最高,同时我们注意到,随着隐藏层节点数增加,识别率不断提高,同时训练时间也随之变短。
    实验中,直行标志的识别率最低,分析发现,这是由于其颜色不正引起的。增加网络中隐层节点的数目也主要是为了提高该标志的识别率,而其他其中标志的识别率一直比较高,对隐层节点数的改变不敏感[7,8]。当隐层节点数为50时,直行标志的识别率最高,同时整个系统的识别率也最高。
    4 结 语
    本文提出了神经网络在交通标志识别过程中分类器的训练和测试过程与算法。在此基础上,选择了8种类型的交通标志,经过分割和特征提取,得到了559个不变矩数据,将数据人为分为两份,一份325个用来训练,一份234个用来测试。接着在不同参数下进行了实验和比较,最后确定了较好的神经网络参数,并在Matlab语言环境下对交通标志识别系统作了初步实现。当然,本文还有很多不足之处。因此,提出新的学习算法,以达到更好的识别率,将是进一步研究的方向。
    参 考 文 献
    [1] FIFIK M, TUR?N J, OVSEN?K E. Real time recognition system for traffic sign detection and classification [C]// Proceedings of 2010 33rd International Convention. Opatija: MIPRO, 2010: 284-287.
    [2] TANG J, LIANG X, XIE B, CHEN F Y, LIU B. A method for traffic signs detection, tracking and recognition [C]// 2010 5th International Conference on Computer Science and Education. Hefei: ICCSE, 2010: 189-194.
    [3] HANN Lim King, PHOOI Seng Kah, MINN Ang Li. Intra color-shape classification for traffic sign recognition [C]// 2010 International Computer Symposium. Tainan, (China): ICS, 2010: 642-647.
    [4] 王坤明,许忠仁.基于不变矩和神经网络的交通标识方法研究[J]. 计算机应用研究,2004(3):254-255.
    [5] 柳林霞,陈杰,窦丽华.不变矩理论及其在目标识别中的应用[J]. 火车与指挥控制,2003(2):13-15.
    [6] 邵桂珠.道路交通标志识别算法的研究[D].长春:吉林大学, 2008.
    [7] 王永明.交通标志自动分割与识别算法及数学模型研究[D].昆明:云南师范大学,2005 .
    [8] 汪哲慎.复杂场景下交通标志检测技术研究[D].厦门:厦门大学, 2006.
转载请注明来源。原文地址:https://www.7428.cn/vipzj5340/
 与本篇相关的热门内容: