【基于神经网络的交通标志识别算法的设计10000字（论文）】

基于神经网络的交通标志识别算法的设计摘要随着社会经济的迅速发展和人们生活水平的提高，汽车的产量逐年增加，道路交通拥堵和交通事故频频发生，智能交通系统应用而生。交通标志识别系统作为智能交通系统的重要组成部分，受到国内外学者广泛关注。然而实际道路环境多变且复杂，给交通标志的检测和识别带来了挑战，准确率高、实时性能好的交通标志识别亟待解决，交通标志的检测与识别研究具有一定的理论价值和实际意义。本文针对GTSRB数据集中的交通标志，利用计算机图像识别的最新进展，为交通标志图像识别提供了一种新的方法，提出了一种能够学习图像颜色和空间变化的深度学习模型。结果表明，该模型在不进行数据预处理（除裁剪外）和扩充的情况下比人工模型具有更高的性能。关键词：交通标志识别；深度学习；交通标志检测；卷积神经网络目录TOC\o"1-3"\h\u第一章绪言 31.1研究背景 31.2研究意义 31.3研究现状 41.3.1道路交通标志检测研究现状 41.3.2道路交通标志识别研究现状 51.4论文内容与结构 61.5本章小结 7第二章深度学习相关理论 72.1神经网络模型 82.2反向传播 92.3激活函数 102.4损失函数 132.3本章小结 14第三章基于神经网络的交通标志识别 143.1数据集选择 143.2算法设计 143.2.1批量归一化层 153.2.2颜色转换网络 153.2.3空间转换网络 163.2.4卷积神经网络 163.3本章小结 184.实验测试与结果分析 184.1数据采集及处理 184.1.1数据采集 184.1.2数据处理 194.2实验结果与分析 204.2.1网络调参 204.2.2结果 215.总结 24参考文献 24绪言1.1研究背景近年来我国经济飞速发展，人们生活水平日益提高，汽车走进了千家万户，有车有房现在也成为了每个人的标配。汽车在方便了人们生活的同时，道路交通拥堵、交通事故频发等问题也越发严重。现在汽车数量增多，当上下班高峰期间，大量的汽车在交通枢纽道路上行驶容易造成交通堵塞，这会给人们带来了时间上的浪费。同时驾驶员在交通道路上行驶时，如果分散注意力或者疲劳驾驶，很容易发生交通事故，这会给人们带来人身伤害和财产损失。为了减少交通拥堵和避免交通事故的发生，智能交通系统应用而生。智能交通系统是将信息、检测、传感、控制等技术集合的综合系统，实现人、车和道路之间的交互协同，从而减少交通拥堵、降低交通事故发生率、提高人们出行的时间效率。而交通标志识别系统正是智能交通系统的重要组成部分。道路上的交通标志信息丰富，包括许多重要的交通信息，能够提供给驾驶员前方的道路信息。如果驾驶员能够知道交通标志的信息，预测前方道路信息，就会降低安全事故发生的几率。所以交通标志识别系统逐渐受到人们的关注，成为热门的研究问题。1.2研究意义交通标志识别系统在人们道路行驶过程中发挥了重要的作用，如何设计一个准确率高、实时性能好的交通标志识别系统对于车辆安全行驶至关重要。一个准确率低的交通标志识别系统会错误检测识别出交通标志，这会给驾驶员造成误导，容易引发安全事故，所以交通标志识别系统需要有较高的准确率。且车辆在道路上高速行驶，需要交通标志识别系统能够实时地识别出交通标志，使驾驶员能够及时地做出判断。所以交通标志识别系统的实时性决定了交通标志识别系统是否能够应用到实际场景中。1.3研究现状交通标志识别系统主要包括两个部分，首先从实际场景中检测出交通标志，然后再对其识别分类。从上世纪七十年代交通标志识别系统开始受到研究者的关注，经过几十年的深入研究，现如今已经取得了许多的研究成果。1.3.1道路交通标志检测研究现状道路交通标志检测是在图像采集系统获得的道路环境图像中查找到交通标志的部分，并进行图像处理，只保留交通标志图像，去除其它部分，为后续步骤做准备。道路交通标志检测是典型的目标检测问题，符合感兴趣区域提取的过程，因此常用感兴趣区域提取相关方法进行交通标志图像检测。根据感兴趣区域理论，常用于目标检测的方法有基于颜色特征的检测方法、基于形状特征的检测方法、基于视觉模型的检测方法以及基于深度学习的检测方法，这些方法的基本概念如下。（1）基于颜色特征的检测方法根据目标具有的颜色特征，在图像中找到符合特征的部分，进行图像分割，将分割后的结果作为检测到的目标物，即完成了目标检测。常用方法有RGB颜色空间法HSV颜色空间法、YUV颜色空间法、LAB颜色空间法等；另外还有一些改进形式，例如热力图、颜色概率、最大稳定极值等方法，以及这些方法之间的组合使用。文献[3]使用LAB颜色空间方法实现了对图像中阴影的检测。基于形状特征的检测方法根据目标图像具备的形状特征，在图像中搜索特征匹配的图像，即可完成图像目标检测，常用方法有霍夫变换、快速径向对称变换、顶角变换等方法。文献[4]使用形状特征检测方法完成了对泄露气体的检测。（3）基于视觉模型的方法根据动物视觉产生的原理，构建视觉模型，使用这些视觉模型方法，对图像进行分析和处理，获得图像对应的显著图，根据显著图也可以实现图像目标检测。文献[5]使用视觉模型方法完成了对路面裂缝的检测。（4）基于深度学习的检测方法针对图像目标检测问题，常应用深度学习中的SSD、R-CNN、FastR-CNN、FasterR-CNN、RetinaNet等网络模型方法，通过使用图像数据进行充分的模型训练，也可以获得较好的检测结果。文献[6]使用深度学习方法完成了对遥感图像中目标的检测；文献[7]使用深度学习方法完成了对销钉故障的检测。1.3.2道路交通标志识别研究现状道路交通标志识别是典型的图像识别问题，图像识别常用的方法有模板匹配方法、机器学习方法、深度学习方法等，这些方法的原理和特点如下。（1）模板匹配法道路交通标志有其固定的类别和对应的特征，因此可以使用模板匹配法完成交通标志图像识别。模板匹配法根据目标图像，在模板库中建立对应的标准模板，利用滑动窗口的方法，根据待识别目标与模板图像的匹配程度完成类别划分。模板匹配是一种最简单的图像识别方法，它是图像处理中最常用的匹配方法。文献[8]通过使用模板匹配法完成了对车牌的识别。模板匹配方法具有的局限性主要表现在它只能进行平行窗口移动，若原图像中的目标发生旋转、缩放、扭转等变换，就需要在对图像处理前进行额外的预处理操作。（2）机器学习法传统的机器学习方法通过对图像特征进行提取，并将这些特征输入分类器中，来进行图像识别，常用算法有支持向量机（SupportVectorMachine，SVM）、AdaBoost迭代算法、BP神经网络,分类树（TreeClassifier）、K-D树、随机森林（RandomForest，RF）等。在这些方法的基础上，还提出了一些改进方法，例如基于高斯核的SVM检测分类方法、一对多的SVM分类器、AdaBoost的改进--SimBoost、多层神经网络、嵌套Adaboost、距离变换等。文献[9]使用机器学习方法实现了对图像中藏文的识别。传统机器学习分类器能够实现图像识别，其核心在特征的设计上，常用特征有HOG、Haar、SIFT等，这些特征由人手动设计，对特定类别直接使用这些特征进行图像识别，识别结果必然不够精确，重新设计有类别针对性的特征，又需要大量时间和实验测试，并且特征设计难度会随着图像数据量的增大而成倍增加，因此该方法不适合道路交通标志识别问题。（3）神经网络方法深度学习方法使用卷积神经网络结构进行图像特征提取，与传统机器学习方法相比，其最大不同是不再需要通过人工设计和选择特征，图像识别所需要的特征信息由卷积神经网络结构在训练时自动学习产生，并在训练过程中不断通过学习过程进行修正。在2006年深度学习理论被提出后，卷积神经网络的表征学习能力受到了广泛关注，随着数值计算设备的不断升级，卷积神经网络迅速发展。自2012年的AlexNet开始，得到GPU计算集群支持的复杂卷积神经网络多次成为ImageNet大规模视觉识别竞赛的优胜算法，包括2013年的ZFNet、2014年的VGGNet、GoogLeNet和2015年的ResNe等。文献[10]使用深度学习方法对农作物病虫害图像识别进行了分析；文献[11]使用深度学习方法实现了验证码图像识别。由于深度学习方法对图像识别问题具有更高的识别准确率，在学习数据充足时，能够实现准确可靠的图像识别，因此其逐渐成为目前图像识别研究领域使用的核心算法之一。对于一般的大规模图像分类问题，深度学习网络模型可用于构建阶层分类器，也可以在精细分类识别中用于提取图像的判别特征以供其它分类器进行学习，对于后者，特征提取可以人为地将图像的不同部分分别输入深度学习网络，也可以由深度学习网络结构通过非监督学习自行提取。1.4论文内容与结构在调研国内外交通标志检测与识别文献的基础上，从交通标志检测与交通标志识别两个方面展开研究。章节结构内容安排如下：第一章为绪论。首先分析交通标志识别系统在实际生活场景中的研究背景与意义，然后介绍国内外交通标志检测与识别的研究现状，最后给出论文的内容以及结构安排。第二章为交通标志识别相关理论介绍。神经网络主要由激活函数、损失函数和梯度下降三个关键知识点构成。本文从上面三个方面对神经网络进行了详细的介绍。第三章主要介绍了交通标志识别所采用的数据集和算法。数据集采用GTSRB数据集，算法采用神经网络算法。神经网络算法主要由批量归一化层、颜色转换网络、空间转换网络和卷积神经网络构成。第四章主要介绍GTSRB数据集的处理和使用，在GTSRB数据库上训练测试验证所提算法的准确性，对上一章提出的网络进行了训练和测试，并对实验结果进行了分析。第五章对全文进行了总结。1.5本章小结本章首先分析交通标志识别系统在实际生活场景中的研究背景与意义，然后介绍国内外交通标志检测与识别的研究现状，最后给出论文的内容以及结构安排。深度学习相关理论近几年，人工智能随着深度学习的发展在人类生活中得到了实现。神经网络可以模拟人类的大脑对事物进行分析，也可以对神经网络进行学习。它主要是模拟人类大脑学习事物的内在规律，对声音和图像等数据进行学习，目标是使得机器如同人类一样能够识别数据中的信息，对人生活中各种各样的事情进行拟合。神经网络习的应用十分广泛，尤其是在目标识别与分类方面。2.1神经网络模型神经元网络是由大量类似于神经元的处理单元相互连结而成的非线性复杂网络系统，单个神经元的网络模型如图2-1所示。神经网络的本质就是一个非线性的较为复杂的网络系统，由大量和神经元结构类似的处理单元之间连接构成，图2-1为单个神经元网络的模型。图2-SEQ图2-\*ARABIC1单个神经元网络模型其计算公式如（2-1）所示：z=i=1在式（2-1）中，z为网络的输出；x为网络的输入；ω为网络的权重；b为网络的偏置值。ω和x为两个变量。对模型进行训练的目的是为了更新参数ω和x，寻找参数最优解。神经网络模型就是参数ω和x与运算法则之间所构成的逻辑。神经细胞与神经网络十分的相似，通过仿生学的原理可以获得神经网络模型，人体大脑中神经突出的图像如图2-2所示。图2-SEQ图2-\*ARABIC2神经细胞神经网络里经过模型的具体的数值可以看成是神经细胞中通过生物电来传递的信号。神经网络中的权重ω会因为与输入相乘，实现输出的放大缩小的功能，这就像神经细胞中的树突结构，粗细不一，进而会对通过粗细不同的树突所连接的生物信号产生不同的影响。输入信号经过ω变换之后，再增加一个偏置量b，进而求和。然后再选择一个模拟细胞的函数来对这个过程进行仿真，模拟细胞的这个函数也就是激活函数。当ω和b有一个合适的值时，再配合一个合适的激活函数，那神经网络就会有一个比较好的拟合效果。上述所讲的过程也就是正向传播的过程，正向传播的方向也就是输入到输出的方向。如果想要实现对环境正确的拟合，就要有合适的权重ω和偏置值b。但是在现实世界中，我们是没办法去确定权重ω和偏置值b的。于是，就有了训练网络的过程，我们可以通过反向传播误差来对网络的参数进行自动的更新，误差越小，代表参数越接近合适值，最终会产生一个合适的权重。2.2反向传播梯度下降需要明确的误差才可以对权重进行更新，减小误差使误差接近于0是反向传播的目的，而神经网络的权重就是误差最小时的权重的取值[33]。损失函数可以用来描述误差，例如式（2-2）所示的MSE（均方误差函数）：Loss=∥yx−label(x)∥其中，Loss为代价函数值；y(x)为网络的预测值；label(x)为真实值。从公式可以看出，Loss是关于权重矩阵的多元函数，当Loss最小时权重的取值，便是神经网络权重矩阵最终值。反向传播的核心算法是梯度下降算法，既然反向传播是为了使Loss值最小，也就是使得loss收敛的最快。根据场论的知识，函数增长速度最快的方向即为梯度增长的方向。同理，函数减少最快的方向即为梯度下降的方向，梯度下降法就是由此而来的。这里可以用下山的过程来描述梯度下降的基本思想。以当前所在的位置为起始点，沿着最陡峭的方向，朝着山底走。同理，如果我们的目标是上山，也就是爬到山顶，那么此时应该是朝着最陡峭的方向往上走。采用同一个方法，每走一段距离，都寻找最陡峭的方向，直到到达最低点的山谷（最优解），如图2-3所示：图2-SEQ图2-\*ARABIC3梯度下降示意图由图2-3可知，梯度下降是一个循环或递归的过程，每走一段距离都要执行相同的算法，每次走的距离在梯度下降法称之为学习率（learningrate），学习率的数值如果过大，即下降的步长太大，就会错过全局最优解（最低点）；相反，如果学习率过小，那么到达最低点的时间会很长，即函数收敛时间较慢梯度下降算法的公式如（2-3）所示：xnew=x−αd其中，x是当前的权重值；α为学习率；Loss为代价函数；xnew是经过梯度下降更新后的x2.3激活函数激励函数的使用是为了解决神经网络每一层的输出都是上一层输入的线性函数的问题。如果神经网络的输出始终是输入的线性组合，那么增加神经网络隐藏层的层数并没有效果，这与最开始所学的感知机的原理是一样的，网络的训练结果接近真实值的水平是有限的。使用激励函数就是引入非线性函数，这会加强深层网络的表达能力。最开始，一般会采用输出有界的Sigmoid函数和Tanh函数作为神经网络的激活函数。目前，神经网络中激活函数用的最多的是ReLu函数及其改进的函数。（1）Sigmoid函数最常用的激活函数为Sigmoid函数[34]。Sigmoid函数的公式如（2-4）所示。Sigmoidx=11+e图2-4是Sigmoid函数的图像。Sigmoid函数的定义域为全体实数，值域为输出值在[0,1]之间。当输入是负无穷时，输出为0；当输入为正无穷时，输出为1。图2-SEQ图2-\*ARABIC4Sigmoid函数（左）及其导函数（右）sigmoid函数曾经被使用的很多，不过近年来，用它的人越来越少了。主要是因为它固有的一些缺点。梯度爆炸[35]和梯度消失{36}是在神经网络反向传播时产生的，一般正常情况下很少会发生梯度爆炸，但是发生梯度消失的可能性比较大。反向传播计算梯度时，假设神经网络的参数ω是个分数，每反向传播一层，梯度都会变得比原来小。如果神经网络的层数足够深时，即神经网络的隐藏层足够多时，梯度值无限接近于0。即出现梯度消失现象；当神经网络的参数ω的初始值为（1，+∞）范围内时，则会出现梯度爆炸情况。Sigmoid函数的值域并不是关于0对称的，即非zero-centered。如果神经网络的输入值都是正的，反向传播时参数ω的梯度有可能全是正的，也有可能全是负的，如此做的后果是梯度下降进行参数更新时，梯度以“Z”字型下降。除此之外，因为Sigmoid函数中包含“e−x（2）Tanh函数Tanh的函数又叫双曲正切函数，它的解析式如式（2-5）所示。Tanℎx=ex−eTanh的函数图像如图2-5所示，Tanh函数能够把连续的输入值转换为[-1,1]之间的输出值。图2-SEQ图2-\*ARABIC5Tanh函数（左）及其导函数（右）两个Sigmoid函数的图像拼接在一起就变得和Tanh函数的图像一样，但是它的性能远比sigmoid函数要高。虽然Tanh函数的值域是关于0对称的，解决了zero-centered的问题，但是Tanh函数依然存在梯度消失的问题。而且Tanh函数依然存在幂函数，计算量并没有比Sigmoid函数少。从导函数方面来看，Tanh函数的导数的值域位于[0,1]区间内，而Sigmoid函数的导数的值域位于[0,0.25]区间内，因为Sigmoid函数的导函数的值更小，即采用Sigmoid函数作为激活函数的神经网络的梯度值更小，在反向传播过程中更容易发生梯度消失的现象。综上所述，在函数的收敛速度方面，Tanh函数远远比Sigmoid函数快的多。（3）ReLU函数除了ReLU函数和Tanh函数外，ReLU函数是应用最广泛的函数。ReLU函数的公式如（2-6）所示：Relux=max⁡(0,x)ReLU函数及其导数的图像如图2-6所示。图2-SEQ图2-\*ARABIC6ReLU函数（左）及其导函数（右）由ReLU函数及其导数图像可以看出，当x<0时，ReLu(x)'=0；当x>0时,但是ReLU函数也存在很多的缺点。ReLU函数的输出不是函数的输出不是zero-centered的；ReLU函数会产生DeadReLU问题，这个问题会导致部分神经元不会被激活，进而使得无法对参数进行更新；由于x<0时,输出值为0，如果某个神经元的输出总是满足小于0的话，那么它将无法进入计算。不适合的参数初始化和过高的学习率都会使网络进入DeadReLU状态。（3）ELU函数ELU函数的数学表达式如（2-7）所示：ELUx=αexELU函数的图像如图2-10所示。ELU函数不仅仅解决了ReLu函数存在的DeadReLU问题，而且ELU函数的值域是关于0对称，还具有ReLU函数的所有优点。但是因为ELU函数中存在“ex图2-SEQ图2-\*ARABIC7ELU函数（α=0.4）2.4损失函数神经网络训练的关键之处在于损失函数的选取。如果需要训练出最真实的神经网络，就需要选择一个正确且合适的函数作为损失函数。目前，均方误差函数（ MSE）和交叉熵函数（CrossEntry）是应用比较广泛的损失函数。（1）均方误差均方误差是指网络的输出值与真实值之差的平方的均值。均方差的数学表达式如（2-8）所示。MSE=1Ni=1N（其中，yx为网络的输出值，label（2）交叉熵函数在分类问题中，特别是使用神经网络做分类时，多采用交叉熵函数作为损失函数。交叉熵函数主要是用来计算每一个类别的概率，它总是和Sigmoid函数成对出现。式（2-9）为交叉熵函数的数学表达式。Crossentry=−1Nx[ylna+1−y其中，Crossentry为交叉熵的值，N为样本的数量，y为真实值的类别（0或1）。Crossentry的值越小，代表预测结果越好，即神经网络模型拟合性越好。2.3本章小结神经网络主要由激活函数、损失函数和梯度下降三个关键知识点构成。本文从上面三个方面对神经网络进行了详细的介绍。基于神经网络的交通标志识别针对交通标志识别这一多类分类问题，本文建立了一个交通标志自动识别的算法模型，对各种交通标志图像进行分类。3.1数据集选择道路交通标志识别系统的实现需要使用大量道路环境图像数据进行算法设计、训练及测试，因此选用GTSDB、GTSRB两个国际上认可度很高的交通标志识别图像数据集作为主要图像数据来源。本文选择GTSRB数据集。德国交通标志识别基准（TheGermanTrafficSignRecognitionBenchmark，GTSRB）数据集是针对交通标志识别系统设计的数据集，该数据集包含40余个类别，超过50000张交通标志牌的图像数据，采集于真实道路环境，交通标志牌实例在数据集中具有唯一性（即每个实际交通标志牌仅出现一次），GTSRB数据集中的图像如图3-1所示。图3-1GTSRB数据集中图像示例3.2算法设计针对GTSRB数据集中各种交通标志图像，利用深度卷积神经网络训练，可以提高交通标志识别的准确率，为自主车辆提供可靠的决策支持。神经网络算法跨框架的不同层之间夹隔着批量归一化层，其目的是为了加快学习速度并提高整体准确性。为了使网络能够学习颜色和空间变化，神经网络算法中又引入两个可学习的模块，分别为空间变化和颜色变换网络。在算法的最后增加了卷积神经网来实现交通标志的分类。具体算法结构如图3-1所示。图3-1神经网络算法模型3.2.1批量归一化层神经网络算法模型的第一层为批量归一化层。对于深度网络的训练是一个复杂的过程，只要网络的前面几层发生微小的改变，那么后面几层就会被累积放大下去。一旦网络某一层的输入数据的分布发生改变，那么这一层网络就需要去适应学习这个新的数据分布，所以如果训练过程中，训练数据的分布一直在发生变化，那么将会影响网络的训练速度。批量归一化可以解决在训练过程中，中间层数据分布发生改变的问题，以防止梯度消失或爆炸、加快训练速度。3.2.2颜色转换网络颜色转换网络由两层卷积神经网络和两层批量归一化层构成。卷积层采用1*1的卷积核，用于学习色彩的转换。卷积层和批量归一化层之间使用了ReLu激活函数。相比于其它激活函数来讲，ReLU有如下优点：对于线性函数而言，ReLU的表达能力更强，尤为体如今深度网络中；而对于非线性函数而言，ReLU因为非负区间的梯度为常数，所以不存在梯度消失问题，使得模型的收敛速度维持在一个稳定状态。这里稍微描述一下什么是梯度消失问题：当梯度小于1时，预测值与真实值之间的偏差每传播一层会衰减一次，若是在深层模型中使用Sigmoid做为激活函数，这种现象尤其明显，将致使模型收敛停滞不前。3.2.3空间转换网络卷积神经网络定义了一个异常强大的模型类，但在计算和参数有效的方式下仍然受限于对输入数据的空间不变性。本文所采用的神经网络算法引入了一个新的可学模块，即空间变换网络，它显式地允许在网络中对数据进行空间变换操作。这个可微的模块可以插入到现有的卷积架构中，使神经网络能够主动地在空间上转换特征映射，在特征映射本身上有条件，而不需要对优化过程进行额外的训练监督或修改。空间转换网络的运作机制可以分为三个部分，分别为本地网络、网格生成器和采样器。具体如图3-2所示。图3-2空间转换网络3.2.4卷积神经网络卷积神经网络由特征提取网络和分类器网络。特征提取网络主要由7层卷积层和2层池化层构成。卷积层采用5*5的卷积核，输入以及输出的图像大小为32*32，卷积核的个数分别为16、32、64、96、128、192。池化层采取最大池化法，选图像区域的最大值作为该区域池化后的值，避免了较多的冗余信息的介入。具体的参数如表3-1所示。表3-1特征提取网络参数类型卷积核大小特征映射大小卷积核个数卷积层5×532×3216卷积层5×532×3232卷积层5×532×3264卷积层5×532×3296卷积层5×532×32128卷积层5×532×32192最大池化层2×2--卷积层5×516×16256最大池化层2×2--分类器网络主要由2层卷积层和1层最大池化层构成。卷积层卷积核大小为5×5，特征映射大小为8×8，卷积核的个数分别为128、64。最大池化层的卷积核大小为8×8。激活函数采用SoftMax,就是将模型的预测结果转化到指数函数上，这样保证了概率的非负性。表3-2分类器网络参数类型卷积核大小特征映射大小卷积核个数卷积层5×58×8128卷积层5×58×864最大池化层8×8--3.3本章小结本章主要介绍了交通标志识别所采用的数据集和算法。数据集采用GTSRB数据集，算法采用神经网络算法。神经网络算法主要由批量归一化层、颜色转换网络、空间转换网络和卷积神经网络构成。4.实验测试与结果分析为了检验算法的有效性，在GTSRB数据库上训练测试验证所提算法的准确性，并且通过实验对比对网络参数进行优化。本章介绍GTSRB数据库的特点，并对上一章提出的网络进行了训练和测试，并对实验结果进行了分析。4.1数据采集及处理4.1.1数据采集自动驾驶汽车最近的进步表明，这项曾经虚构的技术在不久的将来正逐渐成为现实。在可预见的未来，各种自动化水平的车辆将在道路上共存。因此，自动驾驶机器能够识别和理解交通标志的意义并遵守交通规则是至关重要的。GTSRB是一个在德国收集的多类的单图像数据集，由43个类、5万多张交通标志图像组成。其中一些图像样本如图4-1所示。图4-1数据集样本为了节省从原始数据集裁剪图像的时间，本文使用已经处理过的GTSRB数据集中的图像作为输入，并使用交通标志的类别作为输出。数据可从官方网站4.3本章小结本章介绍GTSRB数据集的处理和使用，在GTSRB数据库上训练测试验证所提算法的准确性，对上一章提出的网络进行了训练和测试，并对实验结果进行了分析。总结交通标志包含丰富的道路信息，能够提醒驾驶员和行人注意前方的道路交通情况。然而随着社会经济的迅速发展和汽车产量的增加，道路交通拥堵、交通事故常常发生。作为智能交通系统的重要组成部分，交通标志识别系统的研究具有重要的理论价值和实际意义。本文为交通标志的识别提供了一种新的方法，但其识别性能仍超过了已有的最佳结果,精确度为99.59%。通过学习颜色和空间变换，该模型能够在没有外部支持的情况下适应图像的特征。这本质上使模型能够用更少的数据获得更好的模型性能。但是由于计算能力有限，没有进行参数扫描。这种模型很有可能与其他超参数集一起产生更高的性能。本文证明了使用多个空间转换网络可以提高性能，并提出了一个空间转换模型，这个项目的目标是在不预处理或扩充数据集的情况下测试最高的性能。然而，通过预处理和扩充可以进一步提高模型的性能，目前的模型只在非常有限的数据集上训练，无法对其他没有训练的交通标志进行分类。随着数据量的增加，期望该模型能够对更多的符号图像进行分类。参考文献[1]梁永侦,潘斌,郭小明,等.基于LAB颜色空间的图像阴影检测与去除方法[J].计算机与现代化,2019,No.290(10):92-97.[2]刘路民根,张耀宗,栾琳,等.一种基于形状的红外图像泄漏气体检测方法[J].应用光学,2019,040(003):468-472.[3]杨金源.一种基于机器视觉的路面裂缝检测系统:,CN109146859A[P].2019.[4]赵宝康,李晋文,杨帆,等.一种基于深度学习的遥感图像目标检测算法[J].计算机工程与科学,2019(12).[5]宁柏锋.基于深度学习的无人机巡检图像销钉故障检测[J].计算机测量与控制,2019,v.27;No.254(11):31-35.[6]杨学斌,贾磊.基于机器学习的藏文图像识别系统设计与实现[J].江苏科技信息,2019,v.36;No.613(28):43-45.[7]贾少鹏,高红菊,杭潇.基于深度学习的农作物病虫害图像识别技术研究进展[J].农业机械学报,2019(S1).[8]徐星,宋小鹏,杜春晖.基于深度学习的验证码图像识别[J].测试技术学报,2019,033(002):138-142.[9]汽车百科全书编纂委员会．汽车百科全书[M].北京:中国大百科全书出版社,2010:2[10]

De

la

Escalera,

Arturo,

J.

Ma

Armingol,

and

Mario

Mata.

"Traffic

sign

recognition

and

analysis

for

intelligent

vehicles."

Image

and

vision

computing

21.3

(2003):

247-258.[11]

Miura,

Jun,

et

al.

"An

active

vision

system

for

on-line

traffic

sign

recognition."

IEICE

TRANSACTIONS

on

Information

and

Systems

85.11

(2002):

1784-1792.[12]Sermanet,

Pierre,

and

Yann

LeCun.

"Traffic

sign

recognition

with

multi-scale

convolutional

networks."

Neural

Networks

(IJCNN),

The

2011

International

Joint

Conference

on.

IEEE,

2011.[13]J.

Stallkamp,

M.

Schlipsing,

J.

Salmen,

C.

Igel,

Man

vs.

computer:

Benchmarking

machine

learning

algorithms

for

traffi