基于改进VGG模型的低照度道路交通标志识别

doi:10.3969/j.issn.1674-0696.2021.10.21

重庆交通大学学报（自然科学版） ›› 2021, Vol. 40 ›› Issue (10): 178-184.DOI: 10.3969/j.issn.1674-0696.2021.10.21

• 交通+大数据人工智能 • 上一篇

基于改进VGG模型的低照度道路交通标志识别

赵树恩，刘伟

(重庆交通大学机电与车辆工程学院，重庆 400074)

收稿日期:2021-02-10 修回日期:2021-06-12 出版日期:2021-10-20 发布日期:2021-10-29
作者简介:赵树恩(1972—)，男，陕西洋县人，教授，博士，主要从事智能汽车与自动驾驶方面的研究。E-mail：zse0916@163.com 通信作者：刘伟(1996—)，男，重庆合川人，硕士研究生，主要从事车路协同方面的研究。E-mail：1547233037@qq.com
基金资助:
国家自然科学基金项目（52072054）；重庆市基础研究与前沿探索项目(cstc2018jcyjAX0422)

Low-Illumination Road Traffic Sign Recognition Based on Improved VGG Model

ZHAO Shuen, LIU Wei

(School of Mechatronics and Vehicle Engineering, Chongqing Jiaotong University, Chongqing 400074, China)

Received:2021-02-10 Revised:2021-06-12 Online:2021-10-20 Published:2021-10-29

摘要/Abstract

摘要： 针对低照度情况下道路交通标志图像亮度偏低、饱和度过高、图像模糊、识别不精确等问题，提出一种基于膨胀卷积-VGG（dilated convolution-VGG，DC-VGG）模型的道路交通标志快速识别方法。首先，运用限制对比度直方图均衡算法（contrast limited adaptive histogram equalization，CLAHE）对图像H（色相）S（饱和度）V（色明度）空间中的V通道均衡化，实现低照度图像亮度增强；其次，在HSV空间中设定阈值分割出指定色彩，通过轮廓检测定位交通标志；然后，基于深度卷积对抗神经网络（deep convolutional generative adversarial networks，DCGAN）对真实的交通标志图像进行数据样本增强，以提高分类模型的鲁棒性；最后，提出DC-VGG轻量化模型实现交通标志快速识别。经验证，该方法达到94.12%的识别准确率，且能在硬件不佳的条件下实时检测。

关键词: 交通运输工程, 交通标志识别, 低照度, DC-VGG, 对比度受限直方图均衡, DCGAN

Abstract: Aiming at the problems of low brightness, high saturation, blurred image, and inaccurate recognition of road traffic sign images under low illumination conditions, a fast road traffic sign recognition method based on the dilated convolution-VGG (DC-VGG) model was proposed. Firstly, the contrast limited adaptive histogram equalization (CLAHE) algorithm was used to equalize the V channel in the image H (hue) S (saturation) V (color lightness) space, so as to achieve low illumination image brightness enhancement. Secondly, a threshold was set in the HSV space to segment the specified colors, and the traffic signs were located through contour detection. Then, based on the deep convolutional generative adversarial networks (DCGAN), the data samples of the real traffic sign images were enhanced, to improve the robustness of the classification model. Finally, the proposed DC-VGG lightweight model was used to realize the rapid recognition of traffic signs. It is verified that the recognition accuracy of the proposed method is 94.12%, and it can detect in real time under poor hardware conditions.

Key words: traffic and transportation engineering, traffic sign recognition, low illumination, DC-VGG, contrast limited histogram equalization, DCGAN

中图分类号:

赵树恩, 刘伟. 基于改进VGG模型的低照度道路交通标志识别[J]. 重庆交通大学学报（自然科学版）, 2021, 40(10): 178-184.

ZHAO Shuen, LIU Wei. Low-Illumination Road Traffic Sign Recognition Based on Improved VGG Model[J]. Journal of Chongqing Jiaotong University(Natural Science), 2021, 40(10): 178-184.

参考文献

［1］张新钰，高洪波，赵建辉，等.基于深度学习的自动驾驶技术综述［J］.清华大学学报（自然科学版），2018，58（4）：438-444.
ZHANG Xinyu, GAO Hongbo, ZHAO Jianhui, et al. Overview of deep learning intelligent driving methods［J］. Journal of Tsinghua University(Science and Technology),
2018, 58(4): 438-444.
［2］陈秀新，叶洋，于重重，等.基于深度学习的雾霾天气下交通标志识别［J］.重庆交通大学学报（自然科学版），2020，39（12）：1-5，12.
CHEN Xiuxin, YE Yang, YU Chongchong, et al. Identification of traffic signs in haze weather based on deep learning［J］. Journal of Chongqing Jiaotong University
(Natural Science), 2020, 39(12): 1-5，12.
［3］伍晓晖，田启川.交通标志识别方法综述［J］.计算机工程与应用，2020，56（10）：20-26.
WU Xiaohui, TIAN Qichuan. Survey of traffic sign recognition［J］. Computer Engineering and Applications, 2020, 56(10): 20-26.
［4］ BAHLMANN C, ZHU Y, RAMESH V, et al. A system for traffic sign detection, tracking, and recognition using color, shape, and motion information［C］∥ Intelligent
Vehicles Symposium. Las Vegas:IEEE, 2005: 255-260.
［5］ KIRAN C G, PRABHU L V, ABDU R V, et al. Traffic sign detection and pattern recognition using support vector machine［C］∥ Seventh Interna-tional Conference on
Advances in Pattern Recognition. Kolkata, India:IEEE, 2009: 87-90.
［6］李厚杰，邱天爽，宋海玉，等.基于曲率尺度空间角点检测的交通标志分离算法［J］.光学学报，2015,35（1）：247-255.
LI Houjie, QIU Tianshuang, SONG Haiyu, et al. Separation algorithm of traffic signs based on curvature scale space corner detection［J］. Acta Optics, 2015, 35(1): 247-255.
［7］张志佳，李文强，张丹，等.基于颜色与形状特征的交通标志检测方法［J］.计算机技术与发展，2015，25（7）：174-178.
ZHANG Zhijia, LI Wenqiang, ZHANG Dan, et al. Traffic sign detection method based on color and shape features［J］. Computer Technology and Development, 2015, 25
(7): 174-178.
［8］向华荣，曾敬.基于卷积神经网络的汽车试验场外物入侵识别［J］.重庆交通大学学报（自然科学版），2020，39（1）：8-14.
XIANG Huarong, ZENG Jing. Recognition on invaders into automobile proving ground based on convolution neural network［J］. Journal of Chongqing Jiaotong
University(Natural Science), 2020, 39(1): 8-14.
［9］ REDMON J, FARHADI A. YOLO9000: Better, faster, stronger［C］∥ IEEE Conference on Computer Vision and Pattern Recognition. Hawaii:IEEE, 2017: 6517-6525.
［10］ LIU W, ANGUELOV D, ERHAN D, et al. SSD: Single shot multibox detector［C］∥European Conference on Computer Vision. Cham Switze-rland:Springer, 2016: 21-
37.
［11］王海，王宽，蔡英凤，等.基于改进级联卷积神经网络的交通标志识别［J］.汽车工程，2020，42(9)：1256-1262，1269.
WANG Hai, WANG Kuan, CAI Yingfeng, et al. Traffic sign recognition based on improved cascade convolution neural network［J］. Automotive Engineering, 2020, 42(9):
1256-1262，1269.
［12］ REZA A M. Realization of the contrast limited adaptive histogram equalization (CLAHE) for real-time image enhancement［J］. Journal of Vlsi Signal Processing
Systems for Signal Image & Video Technology, 2004, 38(1):35-44.
［13］张建明，王伟，陆朝铨，等. 基于压缩卷积神经网络的交通标志分类算法［J］. 华中科技大学学报（自然科学版），2019，47(1)：103-108.
ZHANG Jianming, WANG Wei, LU Chaoquan, et al. Traffic sign classification algorithm based on compressed convolutional neural network［J］. Journal of Huazhong
University of Science and Technology(Natural Science Edition), 2019，47(1): 103-108.
［14］ ZHUANG Z L, LV H, JIE X , et al. Adeep learning method for bearing fault diagnosis through stacked residual dilated convolutions［J］. Applied Sciences, 2019, 9
(9):1823.
［15］ GOODFELLOW I J, POUGET-ABADIE J, MIRZA M, et al. Generative adversarial networks［J］. Advances in Neural Information Processing Systems, 2014, 3(11): 2672
-2680.
［16］任坤,黄泷,范春奇,等.基于多尺度像素特征融合的实时小交通标志检测算法［J］.信号处理,2020,36(9):1457-1463.
REN Kun, HUANG Long, FAN Chunqi, et al. Real-time small traffic sign detection algorithm based on multi-scale pixel feature fusion［J］. Journal of Signal Processing,
2020, 36(9): 1457-1463.

[1]	傅志妍1,2，刘柯良1，黄勇1，陈坚1. 基于CCSI的物流配送服务顾客满意度测评模型[J]. 重庆交通大学学报（自然科学版）, 2021, 40(10): 146-153.
[2]	彭勇，肖云鹏，罗义娟. 不确定环境下多式联运路径多目标优化[J]. 重庆交通大学学报（自然科学版）, 2021, 40(10): 154-160.
[3]	朱金福1 ，马睿馨1,2，彭安娜1，严琛1. 基于粒子群优化算法的机场群航班优化配置研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(09): 1-8.
[4]	曹建秋,徐鹏,张广言. 基于贪心策略下混合蚁群算法的无人机航迹规划[J]. 重庆交通大学学报（自然科学版）, 2021, 40(09): 9-16.
[5]	马莹莹1，杜暖男2. 基于改进正余弦算法的机器人路径规划[J]. 重庆交通大学学报（自然科学版）, 2021, 40(09): 17-23.
[6]	刘翠莲，黄玉明. 博弈模型下政府行为对港口竞合关系的影响[J]. 重庆交通大学学报（自然科学版）, 2021, 40(09): 30-35.
[7]	王雅娟1,2，李敏1，邵嫄3. 基于逆向多属性在线拍卖的运输服务采购机制[J]. 重庆交通大学学报（自然科学版）, 2021, 40(09): 36-42.
[8]	胡明伟1,2,3，施小龙1，翟素云4,刘鹏1. 自动驾驶混合交通流的交通和环境效益评估[J]. 重庆交通大学学报（自然科学版）, 2021, 40(08): 7-14.
[9]	牟凤云，黄淇，杨猛，李秋彦，陈林. 高铁开通对成渝城市群可达性与空间公平性影响研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(08): 15-24.
[10]	李佳1，王雪松2. 密集路网中城市主干路中观安全分析模型[J]. 重庆交通大学学报（自然科学版）, 2021, 40(08): 34-41.
[11]	焦柳丹1,朱影含1,吴雅2,宋向南3. 基于演化博弈理论的城市轨道交通高峰票价定价研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(08): 42-49.
[12]	杨冀琴1，田秦2，徐占东2，雷莉3. 市轨道交通网络首班车时段时刻表优化研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(08): 50-56.
[13]	查伟雄，冯涛，严利鑫. 考虑车辆到达时间窗的应急公交调度优化模型[J]. 重庆交通大学学报（自然科学版）, 2021, 40(08): 57-62.
[14]	柏海舰，汪俊，钟剑锋，卫立阳. 弱客流地区客货共享定制公交路线的动态规划方法[J]. 重庆交通大学学报（自然科学版）, 2021, 40(08): 63-70.
[15]	刘杰. 铁路货物运输网络关键节点识别算法研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(08): 71-77.

基于改进VGG模型的低照度道路交通标志识别

Low-Illumination Road Traffic Sign Recognition Based on Improved VGG Model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics