孔月瑶， 严 群， 姚剑敏， 林志贤

(福州大学 物理与信息工程学院，福建 福州 350108)

0 引 言

交通标志识别与先进驾驶辅助系统(advanced driver assistance system,ADAS)和无人驾驶紧密相关，该领域一直是国内外专家研究的热门课题[1]。然而计算机在对自然场景下交通标志图像的采集过程中会受到很多因素的干扰，导致采集到的图像不清晰甚至变形从而影响识别。同时，交通识别系统必须快速识别并及时反馈给驾驶员，否则不但起不到辅助作用还会造成危险。因此，如何在复杂的自然场景下快速并准确地识别交通标志非常重要。

随着深度学习算法发展，卷积神经网络(convliutional neural network,CNN)已成为人工智能领域中用于对象分类和模式识别应用的突破性技术[2]，如车型识别[3]，语音识别[4]等。越来越多研究学者将其用于交通标志识别系统。Ciresan D等人提出使用多列CNN进行组合[5]，获得99.46 %的准确率，但需要4块图形处理单元(graphics processing unit,GPU)训练37 h。文献[6]提出将分割出的交通标志感兴趣区域(region of interest,RoI)输入到CNN进行识别，虽然减小了天气等因素的影响，但稳定性较差。文献[7]提出使用逐层贪婪预训练和支持向量机(support vector machine,SVM)作为分类器来优化CNN，但是不能保证其泛化性能。

针对上述算法的不足，本文提出一种新的网络模型，结合单通道卷积神经网络中特征单一及梯度弥散的问题，提出采用非对称双通道作为输入，两通道采用不同的网络结构来获取丰富的特征；同时在上层通路采用跃层连接，将浅层和深层特征进行融合，防止信息丢失；最后在全连接层将两通道的输出特征进行融合。……