龙源期刊网 http://www.qikan.com.cn
交通标志识别算法的对比与分析
作者：钟玲 于雅洁 张志佳 靳永超 来源：《软件工程》2016年第01期
摘 要：交通标志识别作为典型的机器视觉应用，已有多种机器视觉算法得到广泛的应用。卷积神经网络能够避免显式的人工特征提取过程，因此本文引入卷积神经网络为交通标志进行识别研究，并与BP神经网络、支持向量机进行对比实验，通过对实验结果的理解与分析，可以得出卷积神经网络在识别率及训练速度上均显著高于另两种算法，并能取得最佳的识别效果。
关键词：BP神经网络；支持向量机；卷积神经网络；交通标志 中图分类号：TP393.0 文献标识码：A 1 引言（Introduction）
交通标志识别是图像处理和模式识别领域的一个研究热点，广泛应用于无人驾驶汽车、车载导航等领域，具有很强的实际应用价值[1]。虽然交通标志的图形结构较为简单，但对自然环境下的交通标志进行识别，面临着遮挡、噪声、光照多变性、形状失真等多方面的严峻挑战，因此交通标志识别是模式识别领域的重点研究内容之一[2]。
本文采用三种常见的机器学习方法对交通标志进行识别，分别是卷积神经网络（CNN）、BP神经网络和支持向量机（SVM）。通过在同一个交通标志样本集上进行实验，根据识别率及运行时间对实验结果进行对比分析。
2 三种机器学习方法简述（Three kinds of machine learning methods） 2.1 卷积神经网络（CNN）
卷积神经网络是近年发展起来，并引起广泛重视的高效识别方法，由于其能够直接输入原始图像，避免了对图像的复杂前期处理，成为众多科学领域的研究热点[3]。
卷积神经网络的基本结构一般包括两层：卷积层和子采样层。每一个卷积层后有一个用来求局部平均与二次提取的子采样层，这种特有的两次特征提取结构减小了特征分辨率，减少计算时间。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数[4]。局域感受野、权值共享和子采样，是卷积神经网络实现位移、缩放、扭曲不变性的三种方法。 2.2 BP神经网络