·基于深度学习的交通标志识别·《北京汽车》2023.No.2·35·北京汽车文章编号：1002-4581（2023）02-0035-04基于深度学习的交通标志识别辛靖宇，徐伟昊，赵子亮，郭斌，朱庆林XinJingyu，XuWeihao，ZhaoZiliang，Guobin，ZhuQinglin（山东科技大学交通学院，山东青岛266590）摘要：图像识别技术是无人驾驶实现的关键，交通标志识别是图象识别的重要研究方向。选用MATLAB的AlexNet深度神经网络模型，通过迁移学习对交通路标数据集进行训练，将训练结果与传统的局部二值模式和方向梯度直方图进行对比，得到AlexNet模型的交通路标识别准确度为98.79%，后两者分别为86.3%、97.6%，AlexNet模型更优。关键词：图像识别；深度学习；机器学习；深度神经网络模型中图分类号：U463.67+4文献标志码：ADOI：10.14175/j.issn.1002-4581.2023.02.0090引言交通道路标志识别在辅助驾驶和无人驾驶技术中发挥着重要作用。无人驾驶仍须遵守交通法规，而交通标志是交通法规的直接体现，如何准确快速地识别交通标志对于提高无人驾驶的安全性和合法性具有重要作用。交通标志的图像识别本质上是一种分类问题，当前所用的传统方法主要有最近领域法、决策树分类法、人工神经网络、支持向量机[1-3]，每种方法各具优势，但各自缺点也明显。最近邻域法花费时间较长、实时性差；决策树分类法识别速度快，但误识率相对较高；人工神经网络的抗干扰能力差、结果不稳定；支持向量机所提取的图像特征点较多，准确率较高，但识别时间长、速度慢[4-6]。本文在上述方法的基础上，考虑现实应用场景中对于交通标志图像识别准确率和识别速率的要求，提出基于深度学习算法的交通标志图像智能识别方法，在常规深度学习的识别模型基础上进行迁移学习，并分别与传统机器学习的局部二值模式和方向梯度直方图特征提取算法进行仿真对照测试，结果显示所提出的方法在识别准确率、识别速率方面较后两者均有较明显提升，满足图像识别现实场景的应用要求，缩短识别时间，可实现实时识别。1模型选取1.1模型介绍AlexNet为ImageNet2012图像识别挑战赛冠军，其网络结构为8层：5层卷积层、2个全连接隐藏层和1个全连接输出层，其使用网络激活函数ReLU（RectifiedLinearUnit，修正线性单元）使神经网络更好地解决复杂的非线性问题，并在池化层之后添加LRN（LocalResponseNormalization，局部响应归一化层），在隐藏全连接层前加入Dropout层，以此提高整个网络的泛化能力[7]。该模型具有双GPU（GraphicsProcess...
