交通標(biāo)識(shí)包含豐富的道路交通信息，為駕駛員提供警示、指示等輔助信息，對(duì)減輕駕駛員的駕駛壓力、降低道路的交通壓力、減少交通事故的發(fā)生率起著重要的輔助作用。如果完全依靠駕駛員注意和發(fā)現(xiàn)交通標(biāo)識(shí)并做出正確的反應(yīng)，難免會(huì)增加駕駛員的負(fù)擔(dān)，加速疲勞，嚴(yán)重地可能導(dǎo)致交通事故。圖1給出了部分交通標(biāo)識(shí)圖。

圖1 部分交通標(biāo)識(shí)圖

交通標(biāo)識(shí)識(shí)別（Traffic Sign Recognition, TSR）主要是通過(guò)安裝在車輛上的攝像機(jī)采集道路上的交通標(biāo)識(shí)信息，傳送到圖像處理模塊進(jìn)行標(biāo)識(shí)檢測(cè)和識(shí)別，并根據(jù)識(shí)別結(jié)果做出不同的應(yīng)對(duì)措施。交通標(biāo)識(shí)識(shí)別可以及時(shí)地向駕駛員傳遞重要的交通信息（例如限速、禁止超車等），并指導(dǎo)駕駛員做出合理的反應(yīng)，從而減輕了駕駛壓力，緩解城市交通壓力，有利于道路交通安全。因此，精確高效且實(shí)時(shí)的交通標(biāo)識(shí)識(shí)別是未來(lái)駕駛的趨勢(shì)所在。

目前交通標(biāo)識(shí)識(shí)別方法分為兩個(gè)主要步驟：

1、檢測(cè)步驟

根據(jù)交通標(biāo)識(shí)的顏色、形狀特征，從采集的圖像中，尋找和定位包含交通標(biāo)識(shí)的候選區(qū)域；

2、識(shí)別步驟

識(shí)別步驟：利用模式識(shí)別或者分類器對(duì)檢測(cè)的候選區(qū)域進(jìn)行識(shí)別，獲取交通標(biāo)識(shí)的類別信息。

現(xiàn)有交通標(biāo)識(shí)識(shí)別的檢測(cè)算法最常用的方法包括顏色分割、形狀檢測(cè)以及利用局部特征信息設(shè)計(jì)分類器等方法。在顏色分割方面，常用的顏色空間包括：RGB空間、HSI空間、HSV空間、LAB空間、YCbCr空間、LUV空間等。在形狀檢測(cè)方面，常用的方法包括：Hough變換檢測(cè)特定形狀、基于圖像梯度方向信息的幾何模型等。

現(xiàn)有交通標(biāo)識(shí)識(shí)別的識(shí)別算法常用的方法包括模板匹配法、基于機(jī)器學(xué)習(xí)的方法等。模板匹配法是將待識(shí)別圖像的大小進(jìn)行歸一化，縮放為與圖像樣本庫(kù)中模板一樣的大小，再將待識(shí)別的圖像與樣本庫(kù)中所有的模板進(jìn)行比較，選擇符合最佳匹配原則的樣本作為最后的識(shí)別結(jié)果，然而該方法易受圖像的清晰度、大小變化和光照變化的影響?；跈C(jī)器學(xué)習(xí)的方法是通過(guò)SVM分類器、BP神經(jīng)網(wǎng)絡(luò)、Adaboost級(jí)聯(lián)分類器等對(duì)標(biāo)簽的交通標(biāo)識(shí)進(jìn)行訓(xùn)練，然后根據(jù)訓(xùn)練好的模型對(duì)候選區(qū)域進(jìn)行掃描，以便檢測(cè)候選區(qū)域中的交通標(biāo)識(shí)并進(jìn)行分類。

交通標(biāo)識(shí)識(shí)別算法主要包括：采用架構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)對(duì)大量的標(biāo)簽的交通標(biāo)識(shí)樣本圖像進(jìn)行訓(xùn)練，獲得訓(xùn)練好的交通標(biāo)識(shí)識(shí)別模型；采用快速的交通標(biāo)識(shí)檢測(cè)算法定位交通標(biāo)識(shí)的候選區(qū)域；最后利用訓(xùn)練好的交通標(biāo)識(shí)識(shí)別模型對(duì)候選區(qū)域進(jìn)行識(shí)別，輸出識(shí)別結(jié)果。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，簡(jiǎn)稱為CNN）是深度學(xué)習(xí)模型之一，其主要由卷積層（Convolutions Layer）、下采樣層（Subsampling layer）、全連接層（Full connection）等構(gòu)成。其中，下采樣層又稱為池化層（Pooling Layer）。圖2給出了卷積神經(jīng)網(wǎng)絡(luò)的模型圖。

圖2 卷積神經(jīng)網(wǎng)絡(luò)的模型圖

卷積神經(jīng)網(wǎng)絡(luò)被認(rèn)為是第一個(gè)真正成功的采用多層層次結(jié)構(gòu)的具有魯棒性的深度學(xué)習(xí)方法。在卷積神經(jīng)網(wǎng)絡(luò)中，局部感知區(qū)域被當(dāng)作層次結(jié)構(gòu)中的底層的輸入數(shù)據(jù)，信息通過(guò)前向傳播經(jīng)過(guò)網(wǎng)絡(luò)中的各個(gè)層，在每一層中都由過(guò)濾器構(gòu)成，以便能夠獲得觀測(cè)數(shù)據(jù)的一些顯著特征。因?yàn)榫植扛兄獏^(qū)域能夠獲得一些基礎(chǔ)的特征，比如圖像中的邊界和角落等，因此卷積神經(jīng)網(wǎng)絡(luò)對(duì)位移、拉伸和旋轉(zhuǎn)具有魯棒性。卷積神經(jīng)網(wǎng)絡(luò)中層次之間的緊密聯(lián)系和空間信息使得其特別適用于圖像的處理和理解，并且能夠自動(dòng)的從圖像中抽取出豐富的相關(guān)特性。圖3給出了卷積神經(jīng)網(wǎng)絡(luò)識(shí)別輸入圖像的過(guò)程圖。

圖3 卷積神經(jīng)網(wǎng)絡(luò)識(shí)別輸入圖像的過(guò)程圖

交通標(biāo)識(shí)識(shí)別算法一方面采用了基于卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和識(shí)別方法，極大地提高了交通標(biāo)識(shí)識(shí)別的準(zhǔn)確率；另一方面通過(guò)快速的交通標(biāo)識(shí)檢測(cè)算法定位交通標(biāo)識(shí)的候選區(qū)域，極大地減少了識(shí)別所需要的時(shí)間。圖4給出了3幅交通標(biāo)識(shí)識(shí)別的識(shí)別結(jié)果圖像。

圖4 交通標(biāo)識(shí)識(shí)別的識(shí)別結(jié)果圖像

目前，基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)識(shí)識(shí)別算法能夠識(shí)別43類交通標(biāo)識(shí)，識(shí)別準(zhǔn)確率≥97%，算法所需運(yùn)行時(shí)間≤40ms。與其他公司的嵌入式算法不同，將交通標(biāo)識(shí)識(shí)別算法在芯片上實(shí)現(xiàn)了智能硬化。含有交通標(biāo)識(shí)識(shí)別硬化算子的芯片可以實(shí)現(xiàn)直接在相機(jī)端進(jìn)行實(shí)時(shí)處理，提高了運(yùn)算速率，節(jié)約了運(yùn)算時(shí)間和成本。