何敖东

（上海赫千电子科技有限公司 上海市 200125）

在智能汽车的自动驾驶过程中，交通标志的识别必不可少，通过对交通标志的识别，指引智能汽车按照交通规则行驶以防止违章和安全事故发生。目前的交通标志识别方法主要分为基于机器学习的方法和基于深度学习的方法[1]。Bahlmann C, Zhu等[2]应用AdaBoost方法使用一组考虑颜色和位置的Haar小波特征检测交通标志，Maldonado-Bascon S等[3]对输入图像进行颜色分割后提取出块，然后使用线性SVM进行分类识别，但机器学习无法同时识别所有类别的交通标志，算法的实时性无法得到保证。随着AlexNet在图像识别取得较高的分类识别准确率时，交通标识的分类识别逐渐开始将研究重点转移到神经网络[4]。Ciresan等将简单的卷积神经网络用在交通标志识别上，实现了优于人眼的识别效果[5]，但对硬件的要求仍然较高，识别率不高。针对现有识别算法的不足，本文对卷积神经网络模型结构进行改进，在确保识别精度不变的条件下降低硬件需求。

1 数据集和预处理

1.1 数据集

本研究使用德国交通标志识别的数据集（GTSRB数据集））进行训练和模型测试，该数据集中存在43个类别的交通标志，训练数据有34799个，验证数据有4410个，测试数据有12630个，图片的大小为32×32，有3个颜色通道。测试集每个类别的图像数量存在较大差异，因此对每个类别的样本进行均衡，最终样本数量总数为50690。

1.2 预处理方法介绍

首先将输入的尺寸缩小为32×32×3的图像，交通标志并没有因为颜色不同而具有不同的含义。……