田润　魏志刚　刘明铮

摘要：交通標志在日常生活中起着重要作用，如何利用视觉辅助技术识别交通标志已经成为当前智能交通领域的热点问题。本文将深度学习技术中的卷积神经网络算法应用于斑马线的识别研究。基于ResNet34结构[1]构建卷积神经网络，并在此基础上设计了用于识别斑马线的二分类器。通过实验验证，本文方法的识别精度可达到93%，平均识别速度在0.1s以下。

关键词：卷积神经网络;智能交通;深度学习

中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2019）02-0081-02

0 引言

随着公路交通的发展，路况更加复杂，交通事故发生的频率也在不断上升，视觉辅助技术在交通安全领域中得到了广泛关注。作为重要的交通标志之一，斑马线的识别是交通视觉辅助设备研究的重中之重。识别斑马线的方法有很多种，目前应用最多的是双极系数法，即对道路图像进行分块，再根据斑马线的灰度特征进行识别。然而，这种方法受制于其分块方式，分块的大小将直接影响识别的准确度。本文提出了一种基于卷积神经网络检测斑马线的新方法，能够快速识别斑马线所在的区域，从而避免了分块方式问题。在识别出斑马线的范围后，再利用卷积神经网络不断提取，缩小图像特征，从而实现对斑马线的准确识别。

1 卷积神经网络的基本理论

卷积网络[2]是是深度学习模型中的一种，具有稀疏连接、参数共享、等变表示等特点，这使参数更少，存储空间更小，计算效率更高，同时能够对图像的平移翻转保持不变性。卷积网络的权值共享结构，可以大幅度减少神经网络的参数量，防止过拟合的同时，又降低了网络模型的复杂程度，在较深的网络模型中，能够达到很好的泛化能力。

卷积神经网络是一个多层前馈神经网络，它的基本结构是输入层、激励层、卷积层、池化层、全链接层以及输出层。卷积神经网络能够构建多个提取特征的滤波器，通过对输入的数据进行逐层的卷积和池化来提取数据的结构特征，最后将这些特征输入全链接层进行整合，并且通过某种激活函数来解决分类和回归问题。

2 卷积神经网络的构建

本文采用卷积神经网络中的ResNet34结构来检测图片中是否含有斑马线，如图1所示，包括33个卷积层，1个全连接层。其中，除第一个卷积层中卷积核的尺寸为7×7之外，其余32个卷积层中卷积核的尺寸均为3×3。在每两个卷积层中插入了一个快捷链接，每一层卷积后的图像参数通过快捷链接后，再与残差求和即可得到输入到下一卷积层的参数。将所有的卷积层分成四组，每经过一组，特征矩阵的尺寸就会缩小一倍，同时下一组的每个卷积层中的卷积核的个数加倍。全连接层中的每一个结点都与最后一个卷积层的所有结点相连，将之前提取到的特征综合起来，其具有1000个输出参数。为达到图像中斑马线识别的2分类目的，在全连接层后接入一个具有2个输出的softmax分类器。

3 卷积神经网络的训练及实验验证

3.1 数据集准备及预处理

在训练及测试网络模型过程中，样本集来源于浙江大学江凯巍课题组，样本总量为4100。训练模型过程中将样本集分为训练集、验证集和测试集，分别占样本总量的60%、20%和20%。为了增强模型的健壮性，需要对训练集和验证集中的数据进行数据扩充[3]。本文采用的方法为：（1）图像的竖直翻转;（2）按照宽度对图像伸缩;（3）对图像进行颜色增强。

在开始训练之前，在训练集中选取一小部分图片计算每个像素点的平均值和标准差，并对所有的输入图片进行标准化处理。另外，ResNet34网络输入的图像尺寸为224×224，因此在训练过程中，输入网络的样本均为从原图片中随机切割的224×224的区域。

3.2 模型训练及实验

训练过程中采用批量梯度下降算法进行参数更新，批量大小为256。为避免出现损失函数无法收敛的情况，在梯度下降的基础上增加了冲量Momentum，取经验值0.9。另外，为防止模型过拟合，在计算损失函数时依据权重值添加了一个惩罚项，即权重衰减，经多次实验，取值为0.3。模型训练后，通过测试集对本文方法进行实验，由实验结果可知，本文方法对于图像中斑马线识别的准确率达到93.2%，平均检测速度在0.1s以内。部分实验结果如图2所示，其中Predicted：1代表识别图像中含有斑马线，Predicted：0代表识别图像中不含斑马线。

4 结语

本文基于深度学习算法对斑马线的识别方法进行研究，采用ResNet34结构卷积神经网络构建了用于识别斑马线的二分类器。通过实验验证，本文方法的识别准确率可达93.2%。与传统的机器学习方法相比，由于卷积神经网络能够自动生成检测区域，省去了图像预处理过程，大大减少了计算量，使图像处理的速度较之传统算法有了明显的提升。

参考文献

[1] 徐培超，陈雯柏，陈祥凤，韩琥.多任务及Resnet网络在人脸多属性识别中的应用[J].小型微型计算机系统.2018（12）：2720-2724.

[2] 孙旭，李晓光，李嘉锋，卓力.基于深度学习的图像超分辨率复原研究进展[J].自动化学报，2017（05）：697-709.

Traffic Sign Recognition Method Based on Deep Learning

TIAN Run，Wei Zhi-gang，LIU Min-zheng

（Civil Aviation University of China，Tianjin  300300）

Abstract：Traffic signs are vital to our daily life， and how to discriminate them with the help of Visual Aided Technology has came to an hot topic. Thus， in this paper， well use convolutional neural network based on deep learning to recognize the zebra crossing. Weve constructed an convolutional neural network based on the ResNet34 structrue， and designed a binary classifier which relys on this network. After being tested， the accuracy of this paper can reach in 93 percent， and the average speed of recognition is below 0.1 second.

Key words：convolutional neural network;intelligent transportation;deep Learning