基于深度卷积网络的交通标志检测与识别文献综述
2020-04-14 08:04
1．目的及意义
近些年来的交通事故是各个国家都面临的重大问题，美国2017年交通事故发生了39032起，其中造成了37133人死亡，而在我国，交通事故发生了203049起，导致了63772人死亡与209654人受伤。此外，我国每年交通事故导致的直接财产损失都有十亿之多。有关数据指出，由于人为因素导致的交通事故占据了九成以上，比如酒后驾车、疲劳驾驶等等，也存在道路因素和环境因素以及车辆因素的作用，例如降雨降雪、车辆设备故障等。同时，我国民用汽车数量也在逐年提升，汽车的拥堵问题也逐渐变得严重起来，在城市的繁忙地段，每到高峰期，随之而来的便是好几个小时的拥堵，每年也造成不少的直接损失。因此，如何减少交通事故以及汽车拥堵问题，一直都是各个机构关注的问题。
近几年随着人工智能领域的火热，以及硬件算力的提高，无人驾驶汽车得到了长足的发展。其中一个重要的任务，就是能够对汽车所拍到画面中的交通标志进行准确的识别，让汽车在正确的道路上行驶，避免一部分交通事故的发生。但是，由于交通标志种类繁多，有指示，警告，禁止等交通标志，再加上遮挡，光照，变形，旋转，缺损，给交通标志的识别增加了许多的困难。因此，找到一个兼顾实时性与准确性的算法是当前研究的主要目的。
国内外研究现状：
交通标志的识别早在20世纪70年代就吸引了大批学者的研究，早期研究采用的方法主要是基于传统机器学习和人工神经网络。一个是基于颜色、形状等视觉信息的识别方法，通过提取图像的颜色特征，将图像中的交通标志提取出来。通过颜色提取，如禁令标志的红色，警告标志的蓝色，指示标志的蓝色。然后进行交通标志的分类，此种方法虽然速度较快，但是由于天气、光照等复杂因素的影响，误检率较高，无法实际应用。基于形状的方法则是通过分辨图像中的三角形、矩形、圆形等形状，提取出需要识别的交通标志，克服了颜色受天气影响的限制，但是在拍照角度不佳或者标志缺损的情况下，无法较好的完成提取任务。组合颜色和形状两种因素来进行识别，这种方法是先基于颜色切割感兴趣区域，然后基于形状在感兴趣区域中切割出交通标志所在区域。
近几年，得益于深度学习的发展，目标检测领域取得了巨大的突破。2012年，Alex Krizhevsky及其同学Ilya Sutskever在多伦多大学Geoff Hinton的实验室设计了一个深层的卷积神经网络，夺得了2012年ImageNet LSVRC的冠军，深度学习算法再次迎来高潮，目标检测算法也得到了进一步的优化，从RCNN，Fast RCNN，Faster RCNN再到YOLO，基于深度卷积神经网络的区域目标检测算法正在一步步的发展。
{title}
3. 参考文献
[1] Xu Y, Wei Z Y. An improved traffic sign image recognition algorithm [J].Laser and Optoelectronics Progress, 2017,54 (02): 124-131.
[2]刘占文,赵祥模,李强,等.基于图模型与卷积神经网络的交通标志识别方法[J].交通运输工程学报,2016,16(05):122-131.
[3]基于深度学习的交通标志识别及实现[D]北京交通大学2018.
[4]基于卷积神经网络的交通标志分类与识别研究[D]2018
[5]Ren S，He K，Girshick R，et al.Faster R-CNN：towards real-time object detection with region proposal networks[J].IEEE Transactions on Pattern Analysis amp; Machine Intelligence，2017，39（6）：1137
[6]LUO H,YANG Y,TONG B,et al.Traffic sign recognition using a multi-task convolutional neural network [J]．IEEE Transactions on Intelligent Transportation Systems,2017,PP( 99) : 1-12．
[7]谭台哲,卢剑彪,温捷文,等.应用卷积神经网络与RPN 的交通标志识别[J/OL].计算机工程与应用:1-8[2018-05-08].
[8]李晨,汪杨.基于卷积神经网络的交通标志实时检测与识别[J].数字技术与应用.2018.
[9]孙洪萍.图像识别——交通标志的检测与识别[J].科技创新与应用.2018.
[10]范思宇.自然场景下的交通标志检测与识别[D]2018.
[11]基于图像处理的道路交通标志检测与识别方法[J].交通世界.2018
[12]李梦骁.交通标志检测与识别技术的研究与应用[D].北京邮电大学2018.
[13]张兴国,刘晓磊,李靖,王环东.BP神经网络下的限速交通标志实时检测识别[J].西安电子科技大学学报.2018.04.11.
[14]Zhong X M. Research on traffic sign recognition algorithm based on fast regional convolution neural network [A]. China Automotive Engineering Society.2016 China Automotive Engineering Society annual meeting paper [C]. China Automotive Engineering Society: 2016:4.
[15]张帆.智能交通系统中的车道检测与交通标志识别方法研究[D]2018.
近些年来的交通事故是各个国家都面临的重大问题，美国2017年交通事故发生了39032起，其中造成了37133人死亡，而在我国，交通事故发生了203049起，导致了63772人死亡与209654人受伤。此外，我国每年交通事故导致的直接财产损失都有十亿之多。有关数据指出，由于人为因素导致的交通事故占据了九成以上，比如酒后驾车、疲劳驾驶等等，也存在道路因素和环境因素以及车辆因素的作用，例如降雨降雪、车辆设备故障等。同时，我国民用汽车数量也在逐年提升，汽车的拥堵问题也逐渐变得严重起来，在城市的繁忙地段，每到高峰期，随之而来的便是好几个小时的拥堵，每年也造成不少的直接损失。因此，如何减少交通事故以及汽车拥堵问题，一直都是各个机构关注的问题。
近几年随着人工智能领域的火热，以及硬件算力的提高，无人驾驶汽车得到了长足的发展。其中一个重要的任务，就是能够对汽车所拍到画面中的交通标志进行准确的识别，让汽车在正确的道路上行驶，避免一部分交通事故的发生。但是，由于交通标志种类繁多，有指示，警告，禁止等交通标志，再加上遮挡，光照，变形，旋转，缺损，给交通标志的识别增加了许多的困难。因此，找到一个兼顾实时性与准确性的算法是当前研究的主要目的。
国内外研究现状：
交通标志的识别早在20世纪70年代就吸引了大批学者的研究，早期研究采用的方法主要是基于传统机器学习和人工神经网络。一个是基于颜色、形状等视觉信息的识别方法，通过提取图像的颜色特征，将图像中的交通标志提取出来。通过颜色提取，如禁令标志的红色，警告标志的蓝色，指示标志的蓝色。然后进行交通标志的分类，此种方法虽然速度较快，但是由于天气、光照等复杂因素的影响，误检率较高，无法实际应用。基于形状的方法则是通过分辨图像中的三角形、矩形、圆形等形状，提取出需要识别的交通标志，克服了颜色受天气影响的限制，但是在拍照角度不佳或者标志缺损的情况下，无法较好的完成提取任务。组合颜色和形状两种因素来进行识别，这种方法是先基于颜色切割感兴趣区域，然后基于形状在感兴趣区域中切割出交通标志所在区域。
近几年，得益于深度学习的发展，目标检测领域取得了巨大的突破。2012年，Alex Krizhevsky及其同学Ilya Sutskever在多伦多大学Geoff Hinton的实验室设计了一个深层的卷积神经网络，夺得了2012年ImageNet LSVRC的冠军，深度学习算法再次迎来高潮，目标检测算法也得到了进一步的优化，从RCNN，Fast RCNN，Faster RCNN再到YOLO，基于深度卷积神经网络的区域目标检测算法正在一步步的发展。
2. 研究的基本内容与方案
{title}基本内容：
对行驶过程中前方道路出现的交通标志牌进行及时检测和准确识别，先在实景图像中检测出交通标志牌，再识别出其代表的含义，以辅助自动驾驶。
目标：
完成对交通标志牌的检测与识别
要达到较高的鲁棒性与准确性
数据集要包括不同时段的多种角度的实景图像
技术方案：
现如今进行交通标志识别主要分为两个步骤，一是识别交通标志区域，二是进行交通标志分类。
拟采用Fast RCNN的结构。
首先采用选择搜索算法对输入的图像进行分割，得到许多个小块图像，然后对得到的小块图像进行统一化操作，得到固定大小的图像，方便输入到神经网络中。
数据集拟使用的是Tsinghua-Tencent 100K（TT100K）的交通标志数据集，这是清华大学创建的一个更符合中国现实的交通标志数据集。
它与德国著名的GTSRB数据集相比，图像分辨率扩大了32倍，并且数据集中的交通标志覆盖了现实生活中的亮度、天气、遮挡、破损等条件。
在数据标注方面，数据集中的每个交通标志都注释出了它的边界和类别，共有221类交通标志，分辨率为2048*2048。
目前比较流行的卷积神经网络的模型有AlexNet，VGG，GoogLenet，ResNet。
本次选择VGG16作为卷积神经网络的模型，来训练出最后的合适的神经网络模型。
[1] Xu Y, Wei Z Y. An improved traffic sign image recognition algorithm [J].Laser and Optoelectronics Progress, 2017,54 (02): 124-131.
[2]刘占文,赵祥模,李强,等.基于图模型与卷积神经网络的交通标志识别方法[J].交通运输工程学报,2016,16(05):122-131.
[3]基于深度学习的交通标志识别及实现[D]北京交通大学2018.
[4]基于卷积神经网络的交通标志分类与识别研究[D]2018
[5]Ren S，He K，Girshick R，et al.Faster R-CNN：towards real-time object detection with region proposal networks[J].IEEE Transactions on Pattern Analysis amp; Machine Intelligence，2017，39（6）：1137
[6]LUO H,YANG Y,TONG B,et al.Traffic sign recognition using a multi-task convolutional neural network [J]．IEEE Transactions on Intelligent Transportation Systems,2017,PP( 99) : 1-12．
[7]谭台哲,卢剑彪,温捷文,等.应用卷积神经网络与RPN 的交通标志识别[J/OL].计算机工程与应用:1-8[2018-05-08].
[8]李晨,汪杨.基于卷积神经网络的交通标志实时检测与识别[J].数字技术与应用.2018.
[9]孙洪萍.图像识别——交通标志的检测与识别[J].科技创新与应用.2018.
[10]范思宇.自然场景下的交通标志检测与识别[D]2018.
[11]基于图像处理的道路交通标志检测与识别方法[J].交通世界.2018
[12]李梦骁.交通标志检测与识别技术的研究与应用[D].北京邮电大学2018.
[13]张兴国,刘晓磊,李靖,王环东.BP神经网络下的限速交通标志实时检测识别[J].西安电子科技大学学报.2018.04.11.
[14]Zhong X M. Research on traffic sign recognition algorithm based on fast regional convolution neural network [A]. China Automotive Engineering Society.2016 China Automotive Engineering Society annual meeting paper [C]. China Automotive Engineering Society: 2016:4.
[15]张帆.智能交通系统中的车道检测与交通标志识别方法研究[D]2018.
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
