廖璐明，张 伟

(上海理工大学 光电信息与计算机工程学院,上海200093)

随着城市现代化建设的发展，汽车保有量急剧增加，提高车辆行驶的安全性已成为现代城市智能交通系统的首要问题[1]。人工智能的兴起使得自动驾驶技术不断完善，对于降低交通事故发生率有着积极的作用。交通标志识别是汽车自动驾驶的基本要求。随着道路交通安全设施日益完善，交通标志的种类也日益丰富。交通标志识别技术的完善将推动自动驾驶和辅助驾驶的成熟, 减少交通事故, 保障现代交通和人民安全[2]。目前交通标志识别算法包括支持向量机[3]、贝叶斯分类器[4]等。这些算法都需要人为地对样本进行低层次特征提取，然后对这些特征进行训练分类。传统的机器学习算法需要很多时间，而且识别率低。最近几年，随着深度学习的研究不断深入，许多模式识别问题取得了重大进展。基于卷积神经网络(Convolutional Neural Network，CNN)的图像识别是目前研究的热点之一。卷积神经网络的输入为原始图像[5]，不需要先进行特征提取。VGG16(Visual Geometry Group)卷积神经网络模型[6]在大规模图像识别上效果较好，但是其模型参数多，需要庞大的数据集进行训练，而且训练时间很长，使用范围受到了限制。

本文对VGG16网络模型进行改进，减少了网络层数和参数，并对网络模型的卷积层(Convolutional Layer)和池化层(Pooling Layer)进行了修改。将德国交通标志数据集(The German Traffic Sign Recognition Benchmark)进行直方图均衡化操作，增加图片对比度，并使用了随机旋转、伸缩和偏移等数据增强方法。……