基于图模型与卷积神经网络的交通标志识别方法
为了提高交通标志识别的鲁棒性,提出了一种基于图模型与卷积神经网络(CNN)的交通标志识别方法,建立了一个面向应用的基于区域的卷积神经网络(R-CNN)交通标志识别系统.构造了基于超轮廓图(UCM)超像素区域的图模型,有效利用自底向上的多级信息,提出了一种基于图模型的层次显著性检测方法,以提取交通标志感兴趣区域,并利用卷积神经网络对感兴趣候选区进行特征提取与分类.检测结果表明:针对限速标志,基于UCM超像素区域的图模型比基于简单线性迭代聚类(SLIC)超像素的图模型更有利于获取上层显著度图的大尺度结构信息;基于先验位置约束与局部特征(颜色与边界)的层次显著性模型有效地融合了局部区域的细节信息与结构信息,检测结果更加准确,检测目标更加完整、均匀,查准率为0.65,查全率为0.8,F指数为0.73,均高于其他同类基于超像素的显著性检测算法;基于具体检测任务的CNN预训练策略扩展了德国交通标志识别库(GTSRB)的样本集,充分利用了CNN的海量学习能力,更好地学习目标内部的局部精细特征,提高了学习与识别能力,总识别率为98.85%,高于SVM分类器的95.73%.
交通控制、交通标志、显著性检测、卷积神经网络、预训练策略
16
U491.52(交通工程与公路运输技术管理)
高等学校学科创新引智计划项目B14043;国家自然科学基金项目51278058,61302150;陕西省自然科学基金项目2012JM8011;中央高校基本科研业务费专项资金项目2013G1241111,2014G1321035
2016-12-30(万方平台首次上网日期,不代表论文的发表时间)
122-131