一种基于非对称卷积神经网络的交通标志识别方法
【技术领域】
[0001] 本发明属于智能交通标志识别技术领域，涉及一种基于非对称卷积神经网络的交 通标志识别方法，用以解决交通标志识别问题中识别速度较慢，且鲁棒性不强的问题。
【背景技术】
[0002] 近年来，智能交通系统得到了很大的发展，2010年，奥迪无人驾驶自动汽车行驶 12. 42公里，抵达落基山派克峰顶，标志着智能交通系统中的无人驾驶汽车技术逐渐走向成 熟，而交通标志自动识别是无人驾驶汽车技术的重要组成部分。
[0003] 交通标志识别有着直接的现实应用，如安全驾驶，自动驾驶，场景理解和信号检测 等。交通标志的识别是一个受限的分类问题，因为交通标志类别数目是一定的，并且每一类 交通标志的形态是严格一致的。通过前面的介绍，交通标志识别似乎是比较容易的问题，其 实不然。在实际的交通标志识别过程中，会存在视角变化、不同的光照条件、运动模糊、物理 损坏、遮挡、涂鸦和褪色等多种问题，给交通标志的识别问题造成了困难。
[0004] 分类算法通常分为两类，一类是学习型算法，通过学习找到一个最优的分割 平面，将两类或者多类区分开来，比如SVM(SupportVectorMachine，支持向量机）， Adaboost(AdaptiveBoosting，自适应增强），神经网络等；另一类为最邻近算法，是在已 有的训练样本中找到与测试样本最近的一个，进而判断测试样本类别，比如说模板匹配， k-d(k_dimensionality，k维）树等。
[0005] 针对道路交通标志的识别，已经有不少方法被提出。FatinZaklouta等采 用k_d树和随机森林的方法来对交通标志进行分类（ZakloutaF,Stanciulescu B，Hamdoun0?Trafficsignclassificationusingkdtreesandrandom forests[C].NeuralNetworks(IJCNN),The2011InternationalJointConference on.IEEE，2011:2151-2155.)，具有快速建立、更新和搜索等优点，且更加适合非 平衡数据。YaxiangFan等采用层次性稀疏表示方法（FanY，SunH，ZhouS，et al.HierarchicalSparseRepresentationforTrafficSignRecognition[C]. Proceedingsof2013ChineseIntelligentAutomationConference.Springer BerlinHeidelberg，2013:653-660.)，该方法是利用了稀疏表示对噪音和遮挡具有鲁 棒性，且交通标志不同大类之间的区别明显，而同一类之间的区别相对来说不明显等 特点。SuisuiTang等利用在计算机视觉中已被证明有效的多个特征，HOG(Histogram ofOrientedGradient，梯度方向直方图）、Garbor滤波器特征和LBP(LocalBinary Pattern，局部二值模式）特征，将这三个特征组合起来，用SVM进行分类（TangS，Huang LL.TrafficSignRecognitionUsingComplementaryFeatures[C].Pattern Recognition(ACPR)，20132ndIAPRAsianConferenceon.IEEE，2013:210-214.)，减小了 计算量，加快了分类速度。Ciresan等提出的Multi-columndeepneuralnetwork通过将 多个卷积神经网络的结果通过线性组合得到最后的结果（Cire§anD，MeierU，MasciJ，et al.Multi-columndeepneuralnetworkfortrafficsignclassification[J].Neural Networks, 2012, 32:333-338.)，取得了非常好的效果；PierreSermanet等提出的多尺 度卷积神经网络（SermanetP，LeCunY.Trafficsignrecognitionwithmulti-scale convolutionalnetworks[C].NeuralNetworks(IJCNN),The2011InternationalJoint Conferenceon.IEEE, 2011:2809-2813.)，将第一层子采样层和第二层子采样层的结果 组合后，形成多尺度特征，再经过分类器进行分类，还有Ciresan等结合卷积神经网络与 H0G+SVM分类等等，在交通标志分类上面都取得了很好的效果。
[0006] 卷积神经网络因为其对比例缩放和平移等变形有着不变形，在很多领域，包括交 通标志识别领域都取得了很优秀的结果。
[0007] 传统的卷积神经网络中，在同一层通常对前一层得到的特征是采用的同样的处理 方式，因此最终得到的特征类型单一，可能只适用于某一类的分类任务，而且分类效果有 待提升。在这样的背景下，有不少文章都提出了改进措施，例如bagging[Breiman, 1994] 将多个不同模型在不同的子集上训练，取得了不错的效果，Multi-columndeepneural networktCiresan]将多个相同的模型在不同的数据变形中训练，最后将分类结果进行线 性组合，最近提出的dropout在训练的时候将神经结点以50%的概率随机隐藏（置为0) 起来，而在测试的时候不再隐藏结点激活值，而是将激活值乘以50%，取得了不错的效果。 Stochasticpooling是专门针对卷积神经网络提出来的一种平均模型，在训练时pooling 阶段按权值随机选取pooling结果，测试阶段采用按权值加权得到pooling结果。
[0008] 后面的两者可以看做是隐式的平均模型，平均操作隐含在网络内部操作中，而前 面两种是显式的平均模型，平均操作采用显而易见的组合方式实现。平均模型因为可以学 习到多样的特征，因此在分类任务中，效果很好。
[0009] 其中，显式的平均模型Multi-columndeepneuralnetwork[Ciresan]取得了 2011 年，IJCNN举办了GTSRB(GermanTrafficSignRecognitionBenchmark)的交通标志 识别比赛的最好结果，准确率达到了 99.46%，优于人类的表现。
[0010] 但是，在该方法中因为采用了多个模型且各个模型的输入数据不同，所以模型总 的数据量相对来说更大，总的模型规模也更大，不利于实际运用。
[0011] 为了提升效率，总的卷积神经网络结构必然不会很大，而且网络结构过大也会对 学习过程