基于感兴趣区域的CNN-Squeeze交通标志图像识别

摘要：

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于K-means对图像聚类,切割图像感兴趣区域(Regions of Interest,ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient,HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割ROI并提取HOG特征;然后,利用卷积神经网络(Convolutional Neural Network,CNN)对HOG特征进行过滤、降维,并通过Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与BP网络、SVM及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58％.

关键词：智能交通、K-means、感兴趣区域、CNN-Squeeze、交通标志识别

所属期刊栏目：19

分类号：U268.6(机车工程)

资助基金：河北省自然科学基金/Natural Science Foundation of Hebei ProvinceE2015203354;河北省教育厅科学研究计划河北省高等学校自然科学研究重点项目/Science and Technology Research Key Project of High School of Hebei ProvinceZD2016100;2016年燕山大学基础研究专项理工类培育课题/Basic Research Special Breeding Project Supported by Yanshan University16LGY015

在线出版日期：2019-07-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：48-53