交通標識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)交通標識并做出正確的反應，難免會增加駕駛員的負擔，加速疲勞，嚴重地可能導致交通事故。圖1給出了部分交通標識圖。

圖1 部分交通標識圖

交通標識識別（Traffic Sign Recognition, TSR）主要是通過安裝在車輛上的攝像機采集道路上的交通標識信息，傳送到圖像處理模塊進行標識檢測和識別，并根據識別結果做出不同的應對措施。交通標識識別可以及時地向駕駛員傳遞重要的交通信息（例如限速、禁止超車等），并指導駕駛員做出合理的反應，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，精確高效且實時的交通標識識別是未來駕駛的趨勢所在。

目前交通標識識別方法分為兩個主要步驟：

1、檢測步驟

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

2、識別步驟

識別步驟：利用模式識別或者分類器對檢測的候選區(qū)域進行識別，獲取交通標識的類別信息。

現(xiàn)有交通標識識別的檢測算法最常用的方法包括顏色分割、形狀檢測以及利用局部特征信息設計分類器等方法。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。在形狀檢測方面，常用的方法包括：Hough變換檢測特定形狀、基于圖像梯度方向信息的幾何模型等。

現(xiàn)有交通標識識別的識別算法常用的方法包括模板匹配法、基于機器學習的方法等。模板匹配法是將待識別圖像的大小進行歸一化，縮放為與圖像樣本庫中模板一樣的大小，再將待識別的圖像與樣本庫中所有的模板進行比較，選擇符合最佳匹配原則的樣本作為最后的識別結果，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。基于機器學習的方法是通過SVM分類器、BP神經網絡、Adaboost級聯(lián)分類器等對標簽的交通標識進行訓練，然后根據訓練好的模型對候選區(qū)域進行掃描，以便檢測候選區(qū)域中的交通標識并進行分類。

交通標識識別算法主要包括：采用架構的卷積神經網絡對大量的標簽的交通標識樣本圖像進行訓練，獲得訓練好的交通標識識別模型；采用快速的交通標識檢測算法定位交通標識的候選區(qū)域；最后利用訓練好的交通標識識別模型對候選區(qū)域進行識別，輸出識別結果。

卷積神經網絡（Convolutional Neural Network，簡稱為CNN）是深度學習模型之一，其主要由卷積層（Convolutions Layer）、下采樣層（Subsampling layer）、全連接層（Full connection）等構成。其中，下采樣層又稱為池化層（Pooling Layer）。圖2給出了卷積神經網絡的模型圖。

圖2 卷積神經網絡的模型圖

卷積神經網絡被認為是第一個真正成功的采用多層層次結構的具有魯棒性的深度學習方法。在卷積神經網絡中，局部感知區(qū)域被當作層次結構中的底層的輸入數(shù)據，信息通過前向傳播經過網絡中的各個層，在每一層中都由過濾器構成，以便能夠獲得觀測數(shù)據的一些顯著特征。因為局部感知區(qū)域能夠獲得一些基礎的特征，比如圖像中的邊界和角落等，因此卷積神經網絡對位移、拉伸和旋轉具有魯棒性。卷積神經網絡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，并且能夠自動的從圖像中抽取出豐富的相關特性。圖3給出了卷積神經網絡識別輸入圖像的過程圖。

圖3 卷積神經網絡識別輸入圖像的過程圖

交通標識識別算法一方面采用了基于卷積神經網絡的訓練和識別方法，極大地提高了交通標識識別的準確率；另一方面通過快速的交通標識檢測算法定位交通標識的候選區(qū)域，極大地減少了識別所需要的時間。圖4給出了3幅交通標識識別的識別結果圖像。

圖4 交通標識識別的識別結果圖像

目前，基于卷積神經網絡的交通標識識別算法能夠識別43類交通標識，識別準確率≥97%，算法所需運行時間≤40ms。與其他公司的嵌入式算法不同，將交通標識識別算法在芯片上實現(xiàn)了智能硬化。含有交通標識識別硬化算子的芯片可以實現(xiàn)直接在相機端進行實時處理，提高了運算速率，節(jié)約了運算時間和成本。