基于BP神经网络的交通标志识别

引言

近年来，交通标志识别在车辆视觉导航系统中是一个热 门研究课题。由于交通标志识别需要处理的信息量大，而且 存在大量干扰因素，待识别的图像往往存在干扰，因而要求 交通标志识别方法要有足够的快速性、稳定性。神经网络具有 强大的学习分类以及大规模并行计算能力，被广泛地应用于 图像处理、模式识别等。本文以典型的指示标志为对象，提 出了一种应用神经网络识别交通标志的方法。

1交通标志识别系统结构分析

由于本文主要研究蓝色指示交通标志的识别，所以重点 采集这一系列交通标志。其交通标志分割流程图如图1所示。2提取交通标志特征矩 

2.1不变矩的提取流程

交通标志不变矩特征提取流程图如图2所示。

2.2交通标志特征提取实验和结果分析

本文对环岛行驶、非机动车摩托车行驶和靠右侧道路行 驶三个交通标志进行分割后，分别对它们进行旋转、缩小和 放大，并对这些图像进行了不变矩提取，其特征数据如表1、表2和表3所列。

由上表可知 ：在这些提取的特征中，不同类型的交通标志矩值之间有明显的区别。比如表 1 中的 β3 与表 2 和表 3 有明显的不同 ；表 3 中的 β6 与另外两个表也有明显的不同。将这些特征值输入到神经网络中，然后经过训练，它们之间的差异即可以成为识别不同交通标志的依据 [3，4]。另外，从表中数据也可以看出，同一类交通标志在做旋转、平移和尺度变换后各个相对应的的同一类矩的值并不是一样的，但是这并不能与不变矩理论相驳斥，数据之间的差异在试验中还是存在的，如果以概率统计观点看，从所有提取的特征来看，这些矩是基本不变的。

3基于BP神经网络的交通标志识别系统的设计

3.1特征数据库的构建

由于实际中使用的蓝色指示标志与标准图有较大的差别，所 以在实验中所使用的交通标志都是由数码相机采集的实景图像。

实验中选取了 8种类型的交通标志作为本文前期研究和 仿真的对象。我们对每幅图像再做不同角度旋转和不同比例 因子的缩放变换（分别缩放为原图的0.8、0.6、0.4、1.2、1.4、1.6,旋转度数分别为 5。、8。、10。、-5。、-8。、-10。），总 共得到43X13=559幅图像，然后对图像进行分割和特征提取, 最终得到559个特征数据。实验时将这些数据分为两部分: 一部分有325个数据，用来对神经网络进行训练；另一部分 有234个数据，作为测试样本，用来进行分类识别。

对于训练策略，本文采用完全训练方法。选择的交通标 志图像库共有8种标志，样本类别数为8，因此输出层的节点 数设为8。隐藏层节点对网络的复杂度和识别率的高低有重要 作用，本设计采用试探法，图3所示是BP网络训练的误差曲线, 图4所示是环岛标志的仿真图片。事实上，采用不同的隐藏层 节点数目神经网络具有不同的识别效果［5, 6］。

图3 BP网络训练的误差曲线

图4  环岛标志的仿真图片

最后，网络初始化完成后，还可以对BP神经网络进行 训练。对于本文中三层结构的BP神经网络，我们采用了改进 的BP学习算法，即弹性BP算法对神经网络的权值和阈值进 行了训练，经过多次训练后，网络的性能将达到稳定。

3.2仿真实验的设计与实验结果分析

3.2.1交通标志实景图识别结果展示

本文以环岛标志为例，展示仿真各个步骤的结果。图像 分割后经旋转、缩放得到13幅图像用于仿真。对这13幅图片 分别提取特征矩，13幅环岛标志图像均能够被正确识别出来，识别结果显示如图5所示。

3.2.2探索隐层节点数对识别效果的影响

依照如上的仿真步骤，对所有559幅图像（包括训练样 本和测试样本)进行仿真，并分别统计其识别率，具体的实验 结果如表4所列。

由表4可以看出，识别中，训练样本的识别都能达到 100% ；对于测试样本的识别，当隐藏层节点数为50时识别 率最高，同时我们注意到，随着隐藏层节点数增加，识别率 不断提高，同时训练时间也随之变短。

实验中，直行标志的识别率最低，分析发现，这是由于 其颜色不正引起的。增加网络中隐层节点的数目也主要是为了 提高该标志的识别率，而其他其中标志的识别率一直比较高, 对隐层节点数的改变不敏感[7' 8Io当隐层节点数为50时，直 行标志的识别率最高，同时整个系统的识别率也最高。

4结语

本文提出了神经网络在交通标志识别过程中分类器的训 练和测试过程与算法。在此基础上，选择了 8种类型的交通 标志，经过分割和特征提取，得到了 559个不变矩数据，将 数据人为分为两份，一份325个用来训练，一份234个用来测试。接着在不同参数下进行了实验和比较，最后确定了较好的神经 网络参数，并在Matlab语言环境下对交通标志识别系统作了 初步实现。当然，本文还有很多不足之处。因此，提出新的学 习算法，以达到更好的识别率，将是进一步研究的方向。

20211020_616ef42cd576d__基于BP神经网络的交通标志识别