基于感兴趣区域的CNN-Squeeze 交通标志图像识别

来源：交通运输系统工程与信息杂志2019年第3期北京时间：

作者：张秀玲，张逞逞，周凯旋

单位：燕山大学 a. 河北省工业计算机控制工程重点实验室； b. 国家冷轧板带装备及工艺工程技术研究中心，河北 秦皇岛 066004

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 Kmeans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

基金资助：河北省自然科学基金/ Natural Science Foundation of Hebei Province(E2015203354)；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 Province (ZD2016100)；2016年燕山大学基础研究专项(理工类)培育课题/Basic Research Special Breeding Proj