基于BP 網絡分類器的交通標志識別

摘要：針對中國全部 3 大類 116 個交通標志，即禁令標志、指示標志、警告標志，用 BP 網絡實現分類功能. 實驗中使用了 3 種測試集，即加高斯噪聲、水平扭曲和日本交通標志實景圖，對BP 網絡的分類性能進行了測試. 實驗結果表明：用 BP 網絡實現交通標志粗分類功能的效果是比較理想的，對交通標志的顏色失真和形狀失真均具有較好的容錯性和魯棒性.

關鍵詞：道路交通標志識別；智能分類器；BP 網絡；機器識別

為了安全駕駛和有效導航，交通部門在公路道路上設置了各類重要的交通標志，作為道路交通的有關信息提供給駕駛員. 在 ITS(Intelligent Trans- portation System，智能交通系統)研究領域中，如何實現交通標志的自動識別，對于自動駕駛或輔助駕駛系統的實現都是非常重要的.

交通標志識別 TSR(Traffic Sign Rrecognition) 技術作為交通信息服務系統的重要手段，主要是分析處理交通場景圖像，從復雜的交通場景圖像中檢測出交通標志，然后對交通標志進行正確判別. 本文針對中國 3 大類交通標志，用 BP 網絡實現分類功能，并用 3 種測試集對網絡性能進行了測試.

交通標志的分類

檢測與判別是TSR系統2 個主要的基本技術環節[1]. 檢測的主要任務是獲取感興趣區域(ROI)，通過顏色提取和形狀分析來進一步完成交通標志的檢測[2]. 判別的主要任務是識別出每個標志里符號的含義，在過去的研究中，人們大多數用神經網絡來完成判別工作，如BP網絡、RBF網絡、k鄰近決策規則等[3]，而實驗中用到的交通標志圖數量不是很多，并未涵蓋全部交通標志.

如果對中國全部3 大類 116 種交通標志一起進行判別，由于樣本數量大，且實時的交通標志圖干擾因素較多，判別的正確率勢必會有所下降. 而與道路交通安全有關的標志主要有 3 大類，即禁令標志、指示標志、警告標志，如圖 1 所示. 每類標志都具有特殊的形狀和顏色，特定的符號和特定的尺寸、比例，以便于識別. 因此可以根據 3 類交通標志各自的特點，先進行大的分類，然后針對每一類再進行具體的判別，這樣整個判別環節將被細化成幾個互相獨立的小環節，便于作進一步的判別.

根據顏色和形狀的特征來進行分類是最常用的分類方法，但實時的交通標志中都存在著不同程度的顏色失真和形狀失真，會影響到分類的準確率。

禁令標志 指示標志 警告標志

標準圖：

噪聲圖：

扭曲圖：

日本實景圖：

圖 1 樣本示例

本文應用了 BP 網絡來完成分類的功能，采用神經網絡方法的優點：不需要人工分析各類標志的顏色和形狀，避免了大量的復雜計算，方法簡單直觀， 而且具有較好的容錯性和魯棒性.

本研究采用的樣本如圖 1 所示. 第 1 行為 116 個中國交通標志標準圖樣本示例，作為訓練集；第2～4 行為測試集示例. 其中：第 2 行為人工噪聲圖(標準圖加上均值為零、方差為 0.3 的高斯噪聲)，

第 3 行為扭曲圖(標準圖在水平方向扭曲 10°)，第 4行為 531 個日本交通標志實景圖的示例. 實驗中的訓練集和測試集的交通標志圖均為20×20 的24 位彩色位圖. 當然，大圖形對識別是有利的. 之所以采用較小的圖形，主要是考慮到在實際應用中，圖形越小越是意味著交通標志被發現得越早. 這對于車載視覺系統及時進行相應的處理來說是非常重要的.

實驗及結果

在應用BP 網絡交通標志圖像進行分類的實驗中，網絡的輸入單元個數由輸入圖像的空間分辨率大小決定，輸出單元個數由需要分類的個數決定， 隱含層單元個數、學習因子、慣性系數和學習精度則視具體情況可以作適當的調整. 本實驗中，學習因子為 0.6，慣性系數為 1.0，學習精度為 0.01， BP 網絡采用 3 層結構，其中，輸入單元為 1 200 個(對應于 400 個像素點的 RGB 3 色值)，輸出單元為 3 個(分別對應于 3 類交通標志). 為測試網絡性能，在用訓練集對 BP 網絡進行訓練時，選取了 9個不同的隱單元數(分別為 2、4、5、8、10、20、30、50、100). 網絡訓練完成后，3 組測試集粗分類的回想結果如下.

高斯噪聲圖的回想

加高斯噪聲是在 MATLAB 環境下完成的. 當高斯噪聲的方差≤0.01 時，網絡粗分類的正確率均達到了 100％. 方差分別為 0.05 和 0.1 時，只有個別的幾個標志未被正確分類，平均正確率也分別達到了 99.4％和 99.0％. 方差分別為 0.3、0.5 和 1.0 的分類情況如圖 3 所示，從圖 3 中可以看出，隨著方差增大，分類正確率有所下降，但當噪聲值加到

1.0 時，我們肉眼已經無法根據顏色識別，而 BP

網絡分類正確率仍能達到 70％以上.

加高斯噪聲修改的不僅僅是交通標志本身的顏色值，整張圖像(包括白色背景)的顏色值都被修改了. 加上較大方差的高斯噪聲后，對整幅交通標志圖的破壞是很大的，圖 2 中加了方差為 0.3 的噪聲后標志圖的顏色失真已經非常嚴重. 從對加高斯噪聲的交通標志圖的粗分類實驗中可以看出， BP 網絡具有較強的抗噪能力.

圖 2 不同隱單元數下的粗分類結果

水平扭曲圖的回想

由于拍攝視角的變化，捕獲的交通標志圖像都會有一些不同程度的扭曲. 本實驗人為地模擬

這些扭曲的情況，主要是像素點的位置進行了一定程度的水平移動，而移動前后像素點本身的值并未發生變化. 通過對不同程度的水平扭曲的交通標志圖的回想來測試 BP 網絡的性能. 水平扭曲≤5° 時回想結果非常理想，只有當隱單元數為 2 時，水平扭曲 3°和 5°中有 2 個警告標志未被正確分類， 其余都是 100％. 水平扭曲 10°和 15°的情況分別見表 1 和表 2. 從表 1 和表 2 中可以看出，當水平扭曲相對較大時，只有其中的一些警告標志未被正確分類，其他 2 類交通標志的分類結果幾乎都達到了100％. 需要指出的是當隱單元數為 8 時，對于這些不同程度的水平扭曲圖，網絡的回想結果都是100％.

從實驗中可以看出，BP 網絡對警告標志的水平扭曲比較敏感，主要原因在于當交通標志的形狀被扭曲后，像素點的位置發生了移動，原來位置像素點的顏色值被其他像素點的顏色值所代替，導致

某些像素點的顏色值發生了變化，而黃色是由紅色和綠色 2 種顏色混合而成，容易與紅色混淆、造成誤判.

日本交通標志實景圖的回想

為測試 BP 網絡的性能，還用訓練好的網絡對531 個日本交通標志實景圖進行了回想. 這 531 個標志中均含有較嚴重的顏色失真和幾何失真，所以實驗結果更具有實際意義，見表 3.

指示標志的結果最理想，除隱單元數 4 外，其余的分類結果都達到了 100％，禁令標志的分類正確率平均也達到了 90％以上，而警告標志的分類結果卻很不理想，很多情況下一個都沒有被正確分類，或者個別被正確分類.

從誤判的幾個禁令標志中可以看出，誤判的主要原因在于顏色失真非常大，大多數都是由于顏色過深(主要是光線較暗所至)而造成誤判. 而警告標志分類正確率很低的原因：這些標志不但顏色失真

表 1 水平扭曲 10°的 116 個中國交通標志粗分類結果

隱單元數

平均值

	2	4	5	8	10	20	30	50	100
禁令標志	100	100	100	100	100	100	97.7	100	100	99.7
指示標志	100	100	100	100	100	100	100	100	100	100
警告標志	53.3	95.6	100	100	97.8	73.2	95.6	100	93.3	89.9
總識別率	82.0	98.3	100	100	99.2	89.7	97.5	100	97.4	96.0

表 2 水平扭曲 15°的 116 個中國交通標志粗分類結果

隱單元數

平均值

	2	4	5	8	10	20	30	50	100
禁令標志	100	100	100	100	100	100	100	97.7	100	99.7
指示標志	100	100	100	100	100	100	100	100	96.6	99.6
警告標志	11.1	93.3	68.9	100	93.3	93.3	84.4	100	100	82.7
總識別率	65.8	97.4	88.0	100	97.4	97.4	94.0	99.2	99.2	93.2

表 3 531 個日本交通標志粗分類結果

隱單元數

平均值

	2	4	5	8	10	20	30	50	100
禁令標志	93.4	100	85.6	83.3	87.3	91.1	94.5	90.5	98.6	91.6
指示標志	100	61.6	100	100	100	100	100	100	100	95.7
警告標志	0	0	0	19.4	9.2	0	6.1	3.1	8.2	5.1
總識別率	77.2	75.3	72.1	74.2	74.9	75.7	79.1	75.9	82.1	76.3

比較嚴重，其形狀與訓練集中的警告標志也完全不同，如圖 1 中的警告標志；另外從對中國交通標志的分類結果中可以看出，黃色警告標志的分類正確率相對較低. 綜合這些原因導致對日本警告標志實景圖回想的誤判率很高. 這 531 個日本交通標志實景圖的顏色失真是非常嚴重的，但總體分類正確率能達到 70％以上，還是相當不錯的. 這說明圖像的顏色分量具有較好的正交性時，BP 網絡對于顏色失真具有較高的容錯性和魯棒性.

結論

從整個實驗的測試結果看，用 BP 網絡實現交通標志分類的方法是令人滿意的，對于一定程度的高斯噪聲和水平扭曲的交通標志都能準確分類，對于日本交通標志實景圖也有較高的分類正確率. 而用常規的方法分類這些失真交通標志圖時，運用顏色和形狀來分類是相當困難的，特別是當高斯噪聲≥0.5 時，顏色失真已經非常嚴重，很難提取標志里面的顏色，形狀也很模糊. 在常規方法失效的情況下，BP 網絡依然能達到較好的分類正確率. 另外在 3 類交通標志中，每類都有幾個顏色或形狀特殊的標志，常規方法中，需要對這幾個標志作特殊的處理，即用另外的算法對這幾個標志進行分類， 而 BP 網絡中不需要這些特殊的處理.

用 BP 網絡完成交通標志分類后，今后的工作可以根據各類交通標志的顏色、形狀和內部結構等特征，結合 BP 網絡適合解決大分類問題的優點， 構造多級智能分類器來完成判別過程，這樣可以簡化細分類過程，并提高識別率.

參考文獻：

Escalera A, Armingol J M, Mata M. Traffic sign recognition and analysis for intelligent vehicles[J]. Image and Vision Computing, 2013, 21(3):247-258.

Kellmeyer D L, Zwahlen H T. Detection of highway warning signs in natural video images using color image processing and neural networks, neural networks[C]. IEEE World Congress on Computational Intelligence, 2012.

Zheng YongJian, Ritter W, Janssen R. An adaptive system for traffic sign recognition[C]. Intelligent Vehicles 94 Symposium，Proceedings, 2014.

總結

以上是生活随笔為你收集整理的基于BP 网络分类器的交通标志识别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。