基于图像增强和SKNet的交通标志识别

计算机与现代化 ›› 2023, Vol. 0 ›› Issue (03): 23-28.

基于图像增强和SKNet的交通标志识别

（长安大学信息工程学院，陕西西安 710064）

出版日期:2023-04-17 发布日期:2023-04-17
作者简介:廖聪（1998—），男，陕西渭南人，硕士研究生，研究方向：交通图像处理，深度学习，E-mail： congliao@chd.edu.cn；郭凰（1998—），女，陕西宝鸡人，硕士研究生，研究方向：交通数据处理，机器学习，E-mail： hguo_mail@126.com；赵茂军（1998—），男，山东济宁人，硕士研究生，研究方向：图像处理，深度学习，E-mail： mjzhao@chd.edu.cn；王雨松（1998—），男，陕西西安人，硕士研究生，研究方向：交通流预测，E-mail： 2020124022@chd.edu.cn；白俊峰（1997—），男，河南洛阳人，硕士研究生，研究方向：探地雷达图像处理，深度学习，E-mail： 2020224097@chd.edu.cn。
基金资助:
国家重点研发计划项目（2018YFC0808706）；国家自然科学基金资助项目（62001059）；陕西省重点研发计划项目（2021GY-019）；陕西省自然科学基金面上项目（2022JM-056）

Traffic Sign Recognition Based on Image Enhancement and SKNet

（School of Information Engineering， Chang’an University， Xi’an 710064， China）

Online:2023-04-17 Published:2023-04-17

摘要/Abstract

摘要： 针对现有交通标志识别系统对图像特征提取不充分和复杂情况下难以识别的问题，设计基于图像增强和SKNet的交通标志识别模型HE-SKNet。首先，采用直方图均衡化，对过亮或过暗的交通标志图像进行增强；然后使用自适应调节感受野大小的SKNet网络进行特征提取和分类。GTSRB数据集的实验结果表明，提出的HE-SKNet模型识别准确率达到了98.95%，相比ResNet、ResNeXt、SENet和SKNet准确率平均提高了2.77个百分点，验证了HE-SKNet模型自适应提取不同尺度特征的能力，更适用于过亮或过暗的复杂实际应用场景。

关键词: 图像增强, 直方图均衡化, SKNet, 深度学习, 交通标志识别

Abstract: Aiming at the problems that the existing traffic sign recognition systems extract image feature insufficiently and are difficult to recognize under complex situations， a traffic sign recognition model HE-SKNet is designed based on image enhancement and SKNet. Firstly， the histogram equalization is used to enhance the images of traffic signs with too bright or too dark. Then the SKNet network that adaptively adjusts the size of the receptive field is used for feature extraction and classification. The experimental results on the GTSRB dataset show that the recognition accuracy of the proposed HE-SKNet model reaches 98.95%， which enjoys 2.77 percentage points higher than that of ResNet， ResNeXt， SENet and SKNet on average. It verifies that the HE-SKNet model adaptively extracts different scales of feature and is more suitable for complex practical application scenarios with too bright or too dark.

Key words: image enhancement, histogram equalization, SKNet, deep learning, traffic sign recognition

廖聪, 郭凰, 赵茂军, 王雨松, 白俊峰. 基于图像增强和SKNet的交通标志识别[J]. 计算机与现代化, 2023, 0(03): 23-28.

LIAO Cong , GUO Huang, ZHAO Mao-jun, WANG Yu-song, BAI Jun-feng. Traffic Sign Recognition Based on Image Enhancement and SKNet[J]. Computer and Modernization, 2023, 0(03): 23-28.

参考文献

［1］ WANG Y， ZHANG D X， LIU Y， et al. Enhancing transportation systems via deep learning： A survey［J］. Transportation Research Part C： Emerging Technologies， 2019，99：144-163.
［2］薛搏，李威，宋海玉，等. 交通标志识别特征提取研究综述［J］. 图学学报， 2019，40（6）：1024-1031.
［3］陈飞，刘云鹏，李思远. 复杂环境下的交通标志检测与识别方法综述［J］. 计算机工程与应用， 2021，57（16）：65-73.
［4］屈治华，邵毅明，邓天民，等. 复杂光照条件下的交通标志检测与识别［J］. 激光与光电子学进展， 2019，56（23）：140-147.
［5］张博. 基于卷积神经网络的交通标志ROI提取与识别［J］. 电子设计工程， 2022，30（3）：20-25.
［6］张佳达，许学斌，路龙宾，等. 基于深度残差网络的交通标志识别方法研究［J］. 计算机仿真， 2022，39（1）：143-147.
［7］伍晓晖，田启川. 交通标志识别方法综述［J］. 计算机工程与应用， 2020，56（10）：20-26.
［8］ MADANI A， YUSOF R. Traffic sign recognition based on color， shape， and pictogram classification using support vector machines［J］. Neural Computing ＆ Applications， 2018，30：2807-2817.
［9］戈侠，于凤芹，陈莹. 基于分块自适应融合特征的交通标志识别［J］. 计算机工程与应用， 2017，53（3）：188-192.
［10］ HUANG Z Y， YU Y L， GU J， et al. An efficient method for traffic sign recognition based on extreme learning machine［J］. IEEE Transactions on Cybernetics， 2017，47（4）：920-933.
［11］ AZIZ S， MOHAMED E A， YOUSSEF F. Traffic sign recognition based on multi-feature fusion and ELM classifier［J］. Procedia Computer Science， 2018，127（1）：146-153.
［12］徐兢成，王丽华. 基于AlexNet网络的交通标志识别方法［J］. 无线电工程， 2022，52（3）：470-475.
［13］赵树恩，刘伟. 基于改进VGG模型的低照度道路交通标志识别［J］. 重庆交通大学学报（自然科学版）， 2021，40（10）：178-184.
［14］ CIRESAN D， MEIER U， MASCI J， et al. Multi-column deep neural network for traffic sign classification［J］. Neural Networks， 2012，32：333-338.
［15］ ARCOS-GARCÍA Á， ÁLVAREZ-GARCÍA J A， SORIA-MORILLO L M. Deep neural network for traffic sign recognition systems： An analysis of spatial transformers and stochastic optimisation methods［J］. Neural Networks， 2018，99：158-165.
［16］ ZHOU S C， DENG C W， PIAO Z Q， et al. Few-shot traffic sign recognition with clustering inductive bias and random neural network［J］. Pattern Recognition， 2020，100（C）. DOI：10.1016/j.patcog.2019.107160.
［17］ HE Z L， XIAO Z J， YAN Z G. Traffic sign recognition based on convolutional neural network model［C］// 2020 Chinese Automation Congress （CAC）. 2020：155-158.
［18］ ABDEL-SALAM R， MOSTAFA R， ABDEL-GAWAD A H. RIECNN： Real-time image enhanced CNN for traffic sign recognition［J］. Neural Computing and Applications， 2022，34（8）：6085-6096.
［19］吴成茂. 直方图均衡化的数学模型研究［J］. 电子学报， 2013，41（3）：598-602.
［20］王利娟，常霞，任旺. 基于加权直方图均衡化彩色图像增强仿真［J］. 计算机仿真， 2021，38（12）：126-131.
［21］杨嘉能，李华，田宸玮，等. 基于自适应校正的动态直方图均衡算法［J］. 计算机工程与设计， 2021，42（5）：1264-1270.
［22］ LI X， WANG W H， HU X L， et al. Selective kernel networks［C］// 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. 2019：510-519.
［23］张珂，冯晓晗，郭玉荣，等. 图像分类的深度卷积神经网络模型综述［J］. 中国图象图形学报， 2021，26（10）：2305-2325.
［24］ OJALA T， PIETIKAINEN M， MAENPAA T. Multiresolution grayscale and rotation invariant texture classification with local binary patterns［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002，24（7）：971-987.
［25］刘晨，赵晓晖，梁乃川，等. 基于ResNet50和迁移学习的岩性识别与分类研究［J］. 计算机与数字工程， 2021，49（12）：2526-2530.
［26］ HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］// 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 2016：770-778.
［27］ XIE S， GIRSHICK R， DOLLÁR P， et al. Aggregated residual transformations for deep neural networks［C］// 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 2017：5987-5995.
［28］ HU J， SHEN L， ALBANIE S， et al. Squeeze-and-excitation networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020，42（8）：2011-2023.

[1]	王艳媛, 茅正冲. 中英文场景文本图像的检测和识别算法[J]. 计算机与现代化, 2024, 0(12): 84-90.
[2]	祁贤, 刘大铭, 常佳鑫. 基于改进自注意力机制的多视图三维重建[J]. 计算机与现代化, 2024, 0(11): 106-112.
[3]	陈凯1, 李宜汀1, 2, 全华凤1 . 基于改进YOLOv8的河道废弃瓶检测方法[J]. 计算机与现代化, 2024, 0(11): 113-120.
[4]	杨骏1, 胡为1, 朱文福2. 基于改进MobileNetV3的视觉SLAM回环检测算法[J]. 计算机与现代化, 2024, 0(10): 21-26.
[5]	杜菲瑀, 王海燕, 姚海洋, 陈晓. 基于领域自适应的水下图像增强算法[J]. 计算机与现代化, 2024, 0(10): 55-60.
[6]	王莹莹, 郝潇. 基于Res2Net和递归门控卷积的细粒度图像分类[J]. 计算机与现代化, 2024, 0(10): 74-79.
[7]	史星宇1, 李强2, 庄莉3, 梁懿3, 王秋琳3, 陈锴3, 伍臣周3, 常胜1. 一种面向工业部署的目标检测模型蒸馏技术[J]. 计算机与现代化, 2024, 0(10): 93-99.
[8]	张泽1, 张建权2, 3, 周国鹏2, 3. 基于改进YOLOv8s的摄像头模组缺陷检测[J]. 计算机与现代化, 2024, 0(09): 107-113.
[9]	程亚子1, 雷亮1, 2, 陈瀚1, 赵毅然1. 基于转置注意力的多尺度深度融合单目深度估计[J]. 计算机与现代化, 2024, 0(09): 121-126.
[10]	程萌, 李浩. 改进YOLOv5s的落叶树鸟巢检测方法[J]. 计算机与现代化, 2024, 0(08): 24-29.
[11]	王梦溪, 李峻. 老年人跌倒检测技术研究综述[J]. 计算机与现代化, 2024, 0(08): 30-36.
[12]	时现伟1, 范鑫2. 基于轻量化的视频帧场景语义分割方法[J]. 计算机与现代化, 2024, 0(08): 49-53.
[13]	徐新爱, 李钢. 基于DCGAN的课堂表情图像生成方法[J]. 计算机与现代化, 2024, 0(08): 88-91.
[14]	高帅鹏, 王怡凡. 基于图像的群体情绪识别综述[J]. 计算机与现代化, 2024, 0(08): 98-107.
[15]	黄文栋, 王怡凡. 基于模态类别的多模态信息处理与融合综述[J]. 计算机与现代化, 2024, 0(07): 47-62.