论文部分内容阅读
随着高级驾驶辅助系统(Advanced Driver Assistance Systems,ADAS)和无人驾驶技术的快速发展,交通标志识别方法成为一个重要的研究方向。为了辅助驾驶员安全驾驶,减少交通事故的发生,本文将卷积神经网络(Convolutional Neural Network,CNN)和Ada Boost-SVM分类算法相结合,构建一个混合预测模型(Mixed Forecasting Model,MFM),将CNN作为可训练的特征提取器,Ada Boost-SVM作为识别器,通过该模型可以有效识别交通标志。基于MFM的交通标志识别方法包括图像预处理、CNN特征提取及Ada Boost-SVM分类三部分。首先,根据德国交通标志识别数据集(German Traffic Sign Recognition Benchmark,GTSRB)特点提出一种简单且有效的感兴趣区域(Regions Of Interesting,ROI)增强预处理方法,该方法包括图像裁剪、灰度化、图像增强,交通标志形状校正及尺寸归一化。通过实验对比,发现经过ROI增强预处理的图像,其识别率和处理单幅图像耗时均优于其他预处理方法。其次,本文提出将CNN与Ada Boost-SVM算法相结合,对预处理后的图像进行特征提取及分类预测。利用CNN网络中的卷积层和下采样层构建两组隐藏层结构,将预处理后的图像作为CNN网络的输入,再利用反向传播算法(Back Propagation,BP)对CNN进行训练直至收敛或稳定,将测试集的高维特征提取出来,采用Ada Boost-SVM分类器进行分类识别。最后,经仿真验证,本文提出的算法与PCA-SIF、K-mean和传统CNN算法相比较,该算法既保持了传统CNN特征提取的优势,又提高了分类器的性能。实验表明MFM对交通标志的识别具有很高的识别率和鲁棒性,且识别率和收敛时效都优于其他传统算法,提高了辅助驾驶和无人驾驶的安全性。