多尺度特征融合与极限学习机结合的交通标志识别

• 作者: 程时升 陈敏 马永杰 马芸婷
• 来源期刊: 液晶与显示
• 学科: 工学
• 关键词: 卷积神经网络 交通标志识别 多尺度融合 智能交通 极限学习机
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 图像处理
• 页码范围: 572-582
• 页数: 11页
• 分类号: TP391.7
• 字数: 7441字
• 语种: 中文
• DOI: 10.3788/YJYXS20203506.0572

摘要

针对卷积神经网络只能使用相同尺寸图像和卷积核的网络进行特征提取,导致提取的特征不全面,在交通标志识别中因车载摄像头与交通标志的位置不断变化影响交通标志的识别精度等问题,提出了一种基于多尺度特征融合与极限学习机结合的交通标志识别方法.首先,将预训练适应3种不同尺寸图像的网络模型作为实验的初始模型;然后,融合3个网络模型构建多尺度卷积神经网络,将3个预训练网络的参数级联到融合模型的全连接层,对融合模型的全连接层进行训练,采用随机梯度下降算法更新网络参数;最后,将融合后的模型作为特征提取器提取特征,把提取到的多尺度特征送入极限学习机,实现交通标志识别.实验采用德国交通标志数据库(GTSRB)对算法性能进行测试,实验结果显示,多尺度特征融合与极限学习机结合的网络识别精度为99.23％,识别速度为46 ms.相对于预训练的网络,网络的分类精度分别提高了2.35％,3.22％,3.74％.多尺度特征融合能够有效提取交通标志图像的特征信息,极限学习机可以提高分类精度和分类时间,该方法能满足交通标志识别的准确性和实时性的要求.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	马永杰	西北师范大学物理与电子工程学院	68	1130	10.0	33.0
2	陈敏	西北师范大学物理与电子工程学院	4	0	0.0	0.0
3	马芸婷	西北师范大学物理与电子工程学院	5	0	0.0	0.0
4	程时升	西北师范大学物理与电子工程学院	1	0	0.0	0.0