基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識別

羅 山，李平安

（攀枝花學(xué)院 交通與汽車工程學(xué)院，四川攀枝花617000）

0 引言

先進(jìn)的交通標(biāo)志識別技術(shù)是實現(xiàn)輔助駕駛和無人駕駛的關(guān)鍵技術(shù)之一；可以輔助司機判斷周圍道路狀況，減輕負(fù)擔(dān)，顯著提高駕駛的安全性和舒適性。國內(nèi)外學(xué)者對交通標(biāo)志識別做了很多研究，李翔等［1］提出了基于Hu不變矩的識別方法，但Hu不變矩含有大量的冗余信息；魏艷艷提出一種基于幅值譜和神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識別算法［2］，較好解決了所獲取的標(biāo)志圖像與實際交通標(biāo)志圖像之間的幾何失真問題，提高了識別率；田秋紅［3］等提出了基于Zernike矩特征的識別方法，Zernike矩只能提取圖像的全局特征，無法描述圖像；楊斐提出了分塊圖象特征與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的識別方法，但只對33幅圖像進(jìn)行處理［4］，該方法魯棒性較差。

針對目前交通標(biāo)志識別方法存在的不足，本文提出一種改進(jìn)的交通標(biāo)志識別算法。采用顏色概率與局部模板進(jìn)行交通標(biāo)志檢測，去除部分冗余信息，并且能夠識別各種形狀的交通標(biāo)志；利用融合改進(jìn)的MDA和MPCA進(jìn)行特征值提取，能夠解決投影矩陣的求解問題；加入L2正則化和dropout結(jié)構(gòu)改進(jìn)BP神經(jīng)網(wǎng)絡(luò)。同時，選用德國交通標(biāo)志庫作為訓(xùn)練和識別對象，樣本容量大，更具有代表性；并對實際場景中的交通標(biāo)志進(jìn)行測試，驗證算法的有效性。

1 交通標(biāo)志識別流程

具體識別流程見圖1所示。

圖1 交通標(biāo)志識別流程

2 交通標(biāo)志檢測

2.1 交通標(biāo)志顏色概率模型

為減少亮度的影響，在RGB顏色模型中，采用式（1）對顏色坐標(biāo)進(jìn)行歸一化處理［5］。

在交通標(biāo)志己知的條件下，該像素點出現(xiàn)的概率 p（r，g｜sign）服從二維高斯分布，即 p（r，g｜sign）～N（μ1，μ2），根據(jù) Bayes規(guī)則，對于對于圖像上的任意一點（r（i，j），g（i，j）），可能的交通標(biāo)志的后驗概率為：

式中，p（sign）—某點是交通標(biāo)志的概率，p（r，g）—某點是（r，g）顏色的概率。

通過對顏色概率的建模，得到二值化圖像，但是需要將二值化圖像的所有區(qū)域進(jìn)行分割，以此來判斷是否為交通標(biāo)志區(qū)域。

2.2 局部模板形成機制

在對檢測到的圖像進(jìn)行邊緣檢測和形態(tài)學(xué)處理之后，還需要對邊緣選取的影像進(jìn)行確認(rèn)，在確認(rèn)時，以目標(biāo)圖像作為模板與原圖像的各個子區(qū)域圖像做比較，當(dāng)目標(biāo)和模板的相似性達(dá)到某一程度時，認(rèn)為該子區(qū)域上的圖像與模板匹配，即該一子區(qū)域含有目標(biāo)。

2.3 基于顏色概率和局部模板的交通標(biāo)志檢測

基于融合顏色概率模型和局部模板的交通標(biāo)志檢測算法主要有三個步驟：

（1）通過顏色概率模型對可能是交通標(biāo)志的像素進(jìn)行提取，除掉不屬于交通標(biāo)志類別的顏色特征；（2）采用局部模板對交通標(biāo)志進(jìn)一步確認(rèn)；

（3）在原始尺度下進(jìn)行三次連續(xù)的重采用以減少匹配過程耗時。其原理大致如下：先在分辨率最低的圖像中進(jìn)行一次粗匹配，根據(jù)相似程度去除明顯不是交通標(biāo)志的目標(biāo)，同時，也就獲得了可能的交通標(biāo)志目標(biāo)，在這個基礎(chǔ)上，對該可能的交通標(biāo)志目標(biāo)再進(jìn)行三次連續(xù)的匹配，便可以得到所需要的交通標(biāo)志目標(biāo)［5］。

3 融合改進(jìn)MPCA、MDA的交通標(biāo)志特征值提取

融合改進(jìn)的MPCA、MDA的特征提取原理是在原張量數(shù)據(jù)空間的n-mode中找到一組正交矢量，要求這組矢量能最大化的表示原張量在n-mode下的平均平方方差，然后將張量從原張量空間投影到新的張量空間得到新的張量，再在新形成的張量數(shù)據(jù)空間的n-mode中找到一組Qn個正交矢量，要求這組矢量能最大化的表示新的張量在n-mode下的類間平均平方方差，最小化的表示原張量在n-mode下的類內(nèi)平均平方方差，則投影新張量就是構(gòu)成原張量的目標(biāo)特征張量，且完成了數(shù)據(jù)的冗余度去除［6］。特征提取算法主要有兩步：

（1）訓(xùn)練圖像數(shù)據(jù)，構(gòu)建交通標(biāo)志的特征張量子空間；

（2）將訓(xùn)練圖像投影到特征張量子空間上形成特征張量。

4 交通標(biāo)志識別

4.1 BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)

針對BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中出現(xiàn)的“過擬合”現(xiàn)象，對神經(jīng)網(wǎng)絡(luò)進(jìn)行L2正則化和添加dropout結(jié)構(gòu)的方式進(jìn)行優(yōu)化，L2正則化指的是權(quán)值向量w中各個元素的平方和然后再求平方根，神經(jīng)網(wǎng)絡(luò)在擬合過程中通常都傾向于讓權(quán)值盡可能小，最后構(gòu)造一個所有參數(shù)都比較小的模型。而dropout結(jié)構(gòu)讓一半的隱含層節(jié)點值為0，整個dropout過程就相當(dāng)于對很多個不同的神經(jīng)網(wǎng)絡(luò)取平均。這種方式減少了特征檢測器（隱含層節(jié)點）間的相互作用，在前向傳播的時候，讓某個神經(jīng)元的激活值以一定的概率p停止工作，這樣可以使模型泛化性更強。

4.2 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)設(shè)計

交通標(biāo)志圖像歸一化為大小48×48，因此輸入層節(jié)點數(shù)為2304；單隱含層的節(jié)點數(shù)為100，雙隱含層的節(jié)點數(shù)分別為500和100，隱含層激活函數(shù)選擇Sigmoid函數(shù)；輸出層節(jié)點數(shù)為43；初始權(quán)值為［-1，1］內(nèi)的隨機數(shù)，迭代次數(shù)為200，學(xué)習(xí)率1，L2正則化系數(shù)1e-4，dropout系數(shù)0.5；單次放入迭代圖片數(shù)100，訓(xùn)練集標(biāo)簽數(shù)43，測試集標(biāo)簽數(shù)43。

4.3 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識別及分析

本文選用德國GTSRB數(shù)據(jù)集［7］，數(shù)據(jù)集包含的43類交通標(biāo)志是在不同天氣條件、不同的光強度、不同的遮擋水平和不同的分辨率下采集所得，其中有39209個訓(xùn)練樣本和12630個測試樣本，樣本圖像包含標(biāo)記區(qū)域和10%的周圍區(qū)域。

各狀態(tài)下的期望輸出與實際輸出如圖2、3、4、5所示（其中，紅色表示期望輸出，藍(lán)色表示實際輸出）：

圖2 直接訓(xùn)練

圖3 增加dropout結(jié)構(gòu)訓(xùn)練

圖4 增加L2正則化訓(xùn)練

圖5 增加L2和dropout訓(xùn)練

神經(jīng)網(wǎng)絡(luò)改進(jìn)前后交通標(biāo)志識別結(jié)果如表1所示。

表1 交通標(biāo)志識別結(jié)果對比

從表1可知，加入L2正則化或dropout的BP神經(jīng)網(wǎng)絡(luò)對交通標(biāo)志訓(xùn)練、分類和識別均有良好效果，識別率有較大提高；而同時加入L2正則化和dropout結(jié)構(gòu)后的神經(jīng)網(wǎng)絡(luò)性能更好，識別率進(jìn)一步提高，其實際輸出和預(yù)期輸出更為貼近，無過多“過擬合”標(biāo)簽數(shù)，實現(xiàn)了交通標(biāo)志的分類識別。而且，改進(jìn)的神經(jīng)網(wǎng)絡(luò)不受交通標(biāo)志形狀影響，只要該類型的交通標(biāo)志在GTSRB數(shù)據(jù)集中均能實現(xiàn)識別。

4.4 改進(jìn)網(wǎng)絡(luò)的測試

為了檢驗改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)能否在一定程度上滿足實際的需要，需要對網(wǎng)絡(luò)進(jìn)行測試，在測試時，用兩種方式測試：

①選取交通標(biāo)志庫中的4張圖片如圖6，將其大小設(shè)置為48×48進(jìn)行網(wǎng)絡(luò)測試，測試結(jié)果見圖7。

圖6 用于網(wǎng)絡(luò)測試的圖片

圖7 測試結(jié)果

將測試結(jié)果與前述用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的訓(xùn)練集內(nèi)相應(yīng)類數(shù)對比，說明交通標(biāo)志識別準(zhǔn)確。

②將自然場景下獲取的4幅交通標(biāo)志圖如圖8，進(jìn)行預(yù)處理、分割定位并將其大小設(shè)置為48×48進(jìn)行網(wǎng)絡(luò)測試，測試結(jié)果見圖9。

圖8 自然場景下的4幅交通標(biāo)志圖

圖9 測試結(jié)果

前述用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的訓(xùn)練集內(nèi)第7類為限速80 km/h標(biāo)志、第33類為禁止駛?cè)霕?biāo)志，從測試結(jié)果可知交通標(biāo)志識別錯誤，其原因是該交通標(biāo)志不屬于交通標(biāo)志數(shù)據(jù)集。而另外兩類屬于交通標(biāo)志數(shù)據(jù)集，識別正確。

5 結(jié)束語

為減少BP神經(jīng)網(wǎng)絡(luò)“過擬合”現(xiàn)象，在網(wǎng)絡(luò)中增加了L2正則化和dropout結(jié)構(gòu)，通過在誤差函數(shù)上加約束和忽略一半的特征檢測器的方式使模型泛化性更強，訓(xùn)練效果得到進(jìn)一步提高，識別效果好。另外，改進(jìn)后的神經(jīng)網(wǎng)絡(luò)不需要人工分析交通標(biāo)志形狀、顏色，方法簡單，魯棒性好。