基于极限学习机的交通标志识别方法
【技术领域】
[0001] 本发明涉及图像处理，机器学习，计算机视觉技术领域，特别是基于极限学习机的 交通标志识别方法。
【背景技术】
[0002] 交通标志识别（TrafficSignRecognition，TSR)是未来智能交通系统 (IntelligentTransportationSystem，ITS)的重要组成部分之一，是无人驾驶和驾驶员 辅助驾驶OriverAssistanceSystem，DAS)技术的一个重要的模块。在自然场景下，由于 道路交通环境的复杂性等原因，给交通标志的实时自动检测和识别带来了巨大的挑战，目 前交通标志识别技术尚不成熟，因此，高效的道路交通标志识别技术还需要进行深入的研 宄。
[0003] 1993 年美国研制的ADIS(AdvancedDriverInformationSystem)系统[1]针 对停车标志，采用颜色聚类和几何形状进行特征判别目标，通过不同的神经网络进行分割 和分类，在486的个人计算机上，其平均识别率为75%，但该系统不是实时系统，平均每 幅图像的识别时间为2. 5秒。1994年德国的Koblenz?Landau大学与奔驰公司合作开 发了实时交通标志识别系统[2]，该系统是欧洲普罗米修斯计划关键的组成部分。其采 用颜色分割、形状识别、字符识别和神经网络等方法，识别的速度达到0. 3秒/幅，对于约 40000幅图像的实验数据库，识别准确率为98%，但是它只是针对警告标志进行识别，随着 待识别标志的增多，识别精度和实时性都有很大程度下降。2011年，Ciresan和Meier提 出了一种基于卷积神经网络（convolutionalneuralnetworks，CNNs)和多层感知技术 (multi-layerperceptions，MLP)的识别算法[3]。该算法通过进一步训练多列深层神经网 络（multicolumndeepneuralnetwork，MCDNN)甚至得到了 99. 15%的识别率。但是该算 法对于MCDNN的训练时间达到了 50小时，计算复杂度特别高。2011年，Boi和Gagliardini 设计了一种基于梯度方向直方图（HistogramsofOrientedGradients，H0G)特征和支持 向量机（SupportVectorMachines，SVM)的识别算法[4]。该算法分为两个阶段，预处理阶 段提取出交通标志的H0G特征和色调直方图（HueHistogram，HH)特征，训练阶段采用SVM 的一对多选举策略进行训练识别，该算法的识别率为96. 89%，但也同样存在计算复杂度高 的问题。
[0004] 总之，现有技术的交通标志识别算法，它们要么识别率低不能满足要求，要么有着 很高的计算复杂度而不能满足实时性需求。考虑到自然环境下车辆的高速安全行驶，交通 标志的实时识别不仅要求做到准确识别而且要求快速识别，这对计算复杂度、实时性和识 别率要求很高。
[0005] 参考文献
[0006] [l]KehtarnavazN,GriswoldNC,KangDS.Stop-signrecognitionbasedon color/shapeprocessing[J].MachineVision&Applications, 1993,6(4):206-208.
[0007] [2]L.Priese,J.Klieber,R.Lakrnann,V.Rehrmann,R.Schian.NewResultsOn TrafficSignRecognition，InIEEEProc.IntelligentVehicle'94Symposium，1994 : 249-253.
[0008] [3]Ciresan,Dan,MeierU,MasciJ,etal.Acommitteeofneuralnetworksfor trafficsignclassification[C]//ININTERNATIONALJOINTCONFERENCEONNEURAL NETWORKS. 2011:1918-1921.
[0009] [4]BoiF,GagliardiniL.ASupportVectorMachinesNetworkForTraffic SignRecognition[C]//ProceedingsoftheInternationalJointConferenceon NeuralNetworks. 2011:2210-2216.。
【发明内容】
[0010] 为克服技术的不足，提供一种使用简便的基于极限学习机的交通标志识别方法， 该方法能在很大程度上减少计算复杂度，还能获得较高识别率。为此，本发明采取的技术 方案是，基于极限学习机的交通标志识别方法，采用德国交通标志数据库（GermanTraffic SignRecognitionBenchmark，GTSRB)作为数据源；训练阶段首先提取出GTSRB中训练 样本集中每一张交通标志的基于梯度方向直方图（HistogramsofOrientedGradients， HOG)特征，然后使用基于主成分分析PCA方法对提取出的HOG特征进行降维，降维后的特征 X与样本的期望识别输出Y组成训练用特征[Y，X]，然后把[Y，X]作为极限学习机（Extreme LearningMachine，ELM)模型的输入进行训练，得到测试用的训练好的ELM模型；测试阶段 同样首先提取出测试用交通标志的H0G特征，然后PCA降维得到测试样本特征矩阵Z，最后 用Z作为训练好的ELM模型的输入进而对测试图片进行识别。
[0011] PCA的贡献率阈值选为0. 99,即保留了 99%以上的H0G特征，PCA-ELM算法降维前 H0G特征为1764维，使用PCA降维后为441维。
[0012] 所用的ELM模型是一种基于单隐层前向反馈神经网络（SingleHiddenLayer FeedForwardNeuralNetworks，SLFNs)的监督型学习算法，假如输入为N个不同的训练 样本（Xi,t),i= 1，2, . . .，N，其中Xi=(xn,xi2,…，xin)TGRn为第i个样本的特征向量， ti=(tti2,. . .，tim)TGRm为第i个样本的期望输出目标向量，n和m分别为输入和输出 神经元的个数；标准的SLFNs模型为
[0013] (1)
[0014]其中力=(wn,wi2,. ..，win)T为第i个隐藏层神经元与输入神经元之间的权重向 量，13i= (0 n, 13 i2, . . .，13im)T为第i个隐藏神经元与输出神经元之间的权重向量，w^Xj 为&和xj的内积，b篇i个隐藏神经元的阈值；选用sigmoidal函数激活方程： _5]
(2)
[0016] 标准的SLFNs模型能够做到零误差的逼近上述N个样本，即
[0017] (3)
[0018] 艮P
[0019]
⑷
[0020] 上式可进一步简化为
[0021] H0 =T. (5)
[0022] 其中H为隐藏层神经元的输出矩阵，0为隐藏层与输出神经元之间的输出权重，T 为期望输出矩阵，如式（6)和（7)所示
[0023]
[0024]
[0025] 其中当w和0确定以后，H也就相应的确定了，因此训练SLFNs就转换成了求解 一个线性系统Hf3 =T，最终，最小范数二乘解0由下式确定
[0026] (8)
[0027] 其中#为H的Moore-Penrose(彭罗斯穆尔）广义逆矩阵；训练后，计算出输入权 重w和输出权重0以及隐藏层神经元阈值匕，由此计算出H和目标输出向量〇1
[0028] 〇i=(on, . . . ,oim) (9)
[0029] 在ELM模型训练中，输出神经元的个数与交通标志的类别数一致，假定交通标志 共有m类，且第i个训练样本Xi属于第k类，则输出向量〇 ,是一个二进制目标向量，其中第 k个元素为1，其它的为0。然后，测试样本的类别可以通过对〇i取最大值得到，如果〇 ^勺 第k个元素为1，则说明测试样本属于第k类。
[0030] PCA-ELM算法中，隐元个数L选取为7000。
[0031] 与已有技术相比，本发明的技术特点与效果：
[0032] 与现有的识别算法相比，本发明的有益效果是在保证了一个高识别准确率的同 时，也提高了模型训练速度即减小了计算复杂度，此外，本发明提出的PCA-ELM算法在其学 习过程中只需要设置网络的隐藏层神经元个数L，并且其输入层与隐藏层之间的权值向量 参数以及隐藏层上的偏置向量参数不需要像其他的大多数学习算法那样通过迭代反复进 行调整刷新，PCA-ELM算法可以产生唯一的最优解，最终的实验结果表明该算法能获得一个 97. 69 %的高识别率，且仅仅只需要0. 16毫秒就能识别一张交通标志，能够满足交通标志 的实时性要求。
【附图说明】
[0033] 图1PCA-ELM算法流程图；
[0034] 图 2ELM模型；
[0035] 图3PCA-ELM算法中隐元个数L与分类识别率之间关系；
[0036] 图4PCA-ELM算法中隐元个数L与计算复杂度之间关系；
[0037] 图5不同隐元个数L下ELM算法与PCA-ELM算法分类识别率比较；
[0038] 图6不同隐元个数L下ELM算法与PCA-ELM算法计算复杂度比较；
[0039] 图7GTSRB中交通标志分类。
【具体实施方式】
[0040] 针对计算复杂度和识别率，本发明提出了 一种基于主成分分析（Principal ComponentsAnalysis，PCA)和极限学习机（ExtremeLearningMachine，ELM)模型的交通 标志识别算法，简称为PCA-ELM算法，该算法与现有的绝大部分识别算法相比，仅仅需要设 置一个参数，并且能在很大程度上减少计算复杂度，除此之外还能获得较高识别率。
[0041] 本发明提出的一种新型的交通标志识别算法，即PCA-ELM算法，其技术方案流程 图如图1所示。
[0042] 实验所用的数据库是著名的德国交通标志数据库（GermanTrafficSign RecognitionBenchmark，GTSRB)，GTSRB中有 43 类交通标志共 51839 张，包括 39209 张训 练用交通标志和12630张测试用交通标志。图1中矩形代表训练阶段，椭圆代表测试阶段。 训练阶段首先提取出GTSRB中训练样本集中每一张交通标志的H0G特征，然后使用PCA方 法对提取出的H0G特征进行降维，降维后的特征X与样本的期望识别输出Y组成训练用特 征[Y，X]，然后把[Y，X]作为ELM模型的输入进行训练，得