在模式识别领域内,目标的检测与分类是一个十分重要的研究课题,由此延伸出来的交通标志识别任务在实际生活中,具有很高的研究价值。近些年来,智能交通系统(ITS)与无人驾驶技术在城市交通中的作用越来越重要。尤其是对于无人驾驶汽车,如何能够准确地识别交通标志,对于车辆的路径规划与控制具有重要的引导作用。2006年,Hinton等人首次提出了深度学习(Deep Learning)的概念。直至最近几年,深度学习已经成功引导了人工智能的发展方向。卷积神经网络(Convolutional Neural Network,CNN)作为深度学习中一个十分重要的模型,在图像识别领域,已经取得了显著的效果。VGGNet是在2014年提出来的一种卷积神经网络,在ILSVRC2014目标检测竞赛中取得了第二名的成绩。本文参照了 VGG Net的结构,并针对于具体的交通标志识别任务,设计出了一种新型的网络结构,在实验中证明了这种新型的网络结构在交通标志识别的任务中表现十分出色。本文的主要工作如下:(1)本文提出了一种新型的卷积神经网络结构,并命名为IVGG(Improved VGG)。针对于所识别的交通标志图像尺寸较小的特点,IVGG的网络结构被设计为9层。参考了 VGG Net中所使用的卷积与池化操作,IVGG中还添加了 Dropout与Batch Normalization等操作,提高了 IVGG的泛化能力,有效地避免了过拟合。通过实验表明,在数据集上进行验证和测试,都取得了理想的效果。(2)在学术界中,用作研究的主流数据集是德国的GTSRB数据集(German Traffic Sign Recognition Benchmark,GTSRB),该数据集包含有43类德国交通标志,共计超过5万张图片。但是,该数据集的样本分布存在一定的问题。这43类交通标志的样本数量并不一致,而且相差较大,部分交通标志的数量也存在偏少的情况。为了让实验的结果更加科学和准确,本课题对于整个数据集按照均衡化的思路进行数据增强,使得每一类交通标志的样本数量得到一定的扩充,新生成的数据集中每一类的样本数量保持一致,且提供有足够数量的样本供进行训练,进一步提高了 IVGG网络模型的识别效果。