文献类型：期刊文章

作　　者：刘占文[1] 赵祥模[1] 李强[1] 沈超[1] 王姣姣[2]

LIU Zhan-wen ZHAO Xiang-mo LI Qiang SHEN Chao WANG Jiao-jiao(School of Information Engineering, Chang＇an University, Xi＇an 710064, Shaanxi, China School of Electronic and Control Engineering, Chang＇an University, Xi＇an 710064, Shaanxi, China)

机构地区：[1]长安大学信息工程学院,陕西西安710064 [2]长安大学电子与控制工程学院,陕西西安710064

出　　处：《交通运输工程学报》

基　　金：高等学校学科创新引智计划项目(B14043);国家自然科学基金项目(51278058;61302150);陕西省自然科学基金项目(2012JM8011);中央高校基本科研业务费专项资金项目(2013G1241111;2014G1321035)

年　　份：2016

卷　　号：16

期　　号：5

起止页码：122-131

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CSA、CSA-PROQEUST、CSCD、CSCD2015_2016、EI(收录号：20164703040565)、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了提高交通标志识别的鲁棒性,提出了一种基于图模型与卷积神经网络(CNN)的交通标志识别方法,建立了一个面向应用的基于区域的卷积神经网络(R-CNN)交通标志识别系统。构造了基于超轮廓图(UCM)超像素区域的图模型,有效利用自底向上的多级信息,提出了一种基于图模型的层次显著性检测方法,以提取交通标志感兴趣区域,并利用卷积神经网络对感兴趣候选区进行特征提取与分类。检测结果表明:针对限速标志,基于UCM超像素区域的图模型比基于简单线性迭代聚类(SLIC)超像素的图模型更有利于获取上层显著度图的大尺度结构信息;基于先验位置约束与局部特征(颜色与边界)的层次显著性模型有效地融合了局部区域的细节信息与结构信息,检测结果更加准确,检测目标更加完整、均匀,查准率为0.65,查全率为0.8,F指数为0.73,均高于其他同类基于超像素的显著性检测算法;基于具体检测任务的CNN预训练策略扩展了德国交通标志识别库(GTSRB)的样本集,充分利用了CNN的海量学习能力,更好地学习目标内部的局部精细特征,提高了学习与识别能力,总识别率为98.85%,高于SVM分类器的95.73%。

关 键 词：交通控制 交通标志 显著性检测 卷积神经网络 预训练策略  

分 类 号：U491.52[物流管理与工程类]