第15卷第6期 智能系统学报 Vol.15 No.6 2020年11月 CAAI Transactions on Intelligent Systems Nov.2020 D0L:10.11992tis.201811009 一种改进的深度学习的道路交通标识识别算法 何锐波2，狄岚'，梁久祯 (1.江南大学人工智能与计算机学院，江苏无锡214122,2.中国电子科技集团公司第二十八研究所，江苏南 京210007：3.常州大学信息科学与工程学院，江苏常州213164) 摘要：针对复杂的环境，结合图像预处理与深度学习神经网络，提出了一种道路交通标识识别算法。该方法 不仅利用图像分割技术，而且利用卷积神经网络模型对道路交通标识进行了更准确的识别。首先，通过调节光 照影响、去除复杂背景、数据增强和归一化等批量预处理操作，形成一个完整的数据集；然后，结合squeeze-and- excitation思想和残差网络结构，充分训练出自己的卷积神经网络模型；最后，将优化的网络模型用于道路交通 标识的识别。实验结果表明，该方法使训练时间缩短了12%左右，识别精度可达99.26%。 关键词：道路交通标识识别；图像分割；卷积神经网络：去除复杂背景；数据增强；归一化；压缩和激励网络：残 差连接 中图分类号：TP391.4文献标志码：A文章编号：1673-4785(2020)06-1121-10 中文引用格式：何锐波，狄岚，梁久祯.一种改进的深度学习的道路交通标识识别算法J.智能系统学报，2020,15(6)： 1121-1130. 英文引用格式：HE Ruibo,DI Lan,LIANG Jiuzhen..An improved deep learning algorithm for road traffic identificationJ.CAAl transactions on intelligent systems,2020,15(6):1121-1130. An improved deep learning algorithm for road traffic identification HE Ruibo2,DI Lan',LIANG Jiuzhen (1.School of Artificial Intelligence and Computer Science,Jiangnan University,Wuxi 214122,China:2.The 28th Research Institute of China Electronics Technology Group Corporation,Nanjing 210007,China;3.School of Information Science and Engineering, Changzhou University,Changzhou 213164,China) Abstract:This study proposes a road traffic identification algorithm based on image preprocessing and deep-learning neural networks for complex environments.The proposed method uses not only the image segmentation technology but also the convolutional neural network model to more accurately identify the road traffic signs.First,a complete dataset is obtained via batch preprocessing operations,including illumination effect adjustment,complex background elimina- tion,data enhancement,and normalization.Next,the convolutional neural network model is sufficiently trained based on the combination of the squeeze-and-excitation network and residual network structure concepts.Finally,the optimized network model is used to identify the road traffic signs.The experimental result shows that the proposed method re- duces the training time by approximately 12%and that the recognition accuracy can reach 99.26%. Keywords:road traffic identification;image segmentation;convolutional neural network;complex background elimina- tion:data enhancement;normalization:squeeze-and-excitation network;residual connection 道路交通标识的探测和检验在快速发展的智 道路交通的通行效率和通行安全提供了保障，对 能交通领域受到了广泛的关注，其含有的限速、 其内容的研究具有重要意义。 限行、限高提示、车道方向的指示等提示信息，为 现今有许多针对路标的检测方法，如：采用不 收稿日期：2018-11-11. 同色彩空间进行匹配检测的方法，对形状及轮 基金项目：江苏省研究生科研与实践创新计划项目(KYCXI8 廓进行分割提取的方法，或融合形状与色彩特 1872). 通信作者：狄岚.E-mail:dilan@jiangnan.edu.cn 征m的检测方法、或采用深度学习、神经网络有DOI: 10.11992/tis.201811009 一种改进的深度学习的道路交通标识识别算法 何锐波1,2，狄岚1 ，梁久祯3 （1. 江南大学 人工智能与计算机学院，江苏 无锡 214122; 2. 中国电子科技集团公司第二十八研究所，江苏 南 京 210007; 3. 常州大学 信息科学与工程学院，江苏 常州 213164） 摘 要：针对复杂的环境，结合图像预处理与深度学习神经网络，提出了一种道路交通标识识别算法。该方法 不仅利用图像分割技术，而且利用卷积神经网络模型对道路交通标识进行了更准确的识别。首先，通过调节光 照影响、去除复杂背景、数据增强和归一化等批量预处理操作，形成一个完整的数据集；然后，结合 squeeze-and￾excitation 思想和残差网络结构，充分训练出自己的卷积神经网络模型；最后，将优化的网络模型用于道路交通 标识的识别。实验结果表明，该方法使训练时间缩短了 12% 左右，识别精度可达 99.26%。 关键词：道路交通标识识别；图像分割；卷积神经网络；去除复杂背景；数据增强；归一化；压缩和激励网络；残 差连接 中图分类号：TP391.4 文献标志码：A 文章编号：1673−4785(2020)06−1121−10 中文引用格式：何锐波, 狄岚, 梁久祯. 一种改进的深度学习的道路交通标识识别算法 [J]. 智能系统学报, 2020, 15(6): 1121–1130. 英文引用格式：HE Ruibo, DI Lan, LIANG Jiuzhen. An improved deep learning algorithm for road traffic identification[J]. CAAI transactions on intelligent systems, 2020, 15(6): 1121–1130. An improved deep learning algorithm for road traffic identification HE Ruibo1,2 ，DI Lan1 ，LIANG Jiuzhen3 (1. School of Artificial Intelligence and Computer Science, Jiangnan University, Wuxi 214122, China; 2. The 28th Research Institute of China Electronics Technology Group Corporation, Nanjing 210007, China; 3. School of Information Science and Engineering, Changzhou University, Changzhou 213164, China) Abstract: This study proposes a road traffic identification algorithm based on image preprocessing and deep-learning neural networks for complex environments. The proposed method uses not only the image segmentation technology but also the convolutional neural network model to more accurately identify the road traffic signs. First, a complete dataset is obtained via batch preprocessing operations, including illumination effect adjustment, complex background elimina￾tion, data enhancement, and normalization. Next, the convolutional neural network model is sufficiently trained based on the combination of the squeeze-and-excitation network and residual network structure concepts. Finally, the optimized network model is used to identify the road traffic signs. The experimental result shows that the proposed method re￾duces the training time by approximately 12% and that the recognition accuracy can reach 99.26%. Keywords: road traffic identification; image segmentation; convolutional neural network; complex background elimina￾tion; data enhancement; normalization; squeeze-and-excitation network; residual connection 道路交通标识的探测和检验在快速发展的智 能交通领域受到了广泛的关注，其含有的限速、 限行、限高提示、车道方向的指示等提示信息，为 道路交通的通行效率和通行安全提供了保障，对 其内容的研究具有重要意义。 现今有许多针对路标的检测方法，如：采用不 同色彩空间[1-3] 进行匹配检测的方法，对形状及轮 廓 [4-6] 进行分割提取的方法，或融合形状与色彩特 征 [7] 的检测方法、或采用深度学习、神经网络有 收稿日期：2018−11−11. 基金项目：江苏省研究生科研与实践创新计划项目 (KYCX18_ 1872). 通信作者：狄岚. E-mail：dilan@jiangnan.edu.cn. 第 15 卷第 6 期 智 能 系 统 学 报 Vol.15 No.6 2020 年 11 月 CAAI Transactions on Intelligent Systems Nov. 2020