随着我国经济的快速发展，消费水平越来越高，民族自尊心开始重新建立，国产货物越来越受到广大民众的喜爱，国产汽车也开始不断发力，但带来的困扰是道路上的汽车越来越多。能够有效解决这一问题的办法便是突破汽车的无人驾驶即智能汽车驾驶系统的研究与实现，以此来减少人类驾驶可能出现的种种危险情况，避免人类的生命和财产安全受到威胁，而交通标志识别对于智能的无人驾驶的交通系统的实现有非常重要的意义。无人驾驶汽车的智能系统通过获取外界道路信息进行相应的判断和处理，而交通标志包含了大量的道路信息。

1　基于卷积神经网络的交通标志识别

卷积神经网络是目前最受欢迎的一种神经网络结构，因为它的结构相对来说比较简单，而且在提取特征方面表现的要比传统的特征提取算法优化很多。卷积神经网络有一个区别于其他模型的地方就是，卷积神经网络是通过使用感受区域和权值共享的方法来大大减少神经网络模型中的参数数量的，从而减轻训练模型的任务。卷积神经网络的基本结构是特征提取层和特征映射层，也就是常说的卷积层和池化层。

图1　卷积神经网络模型图

卷积层中有一个最关键的成分叫卷积核。通常来讲，在一个卷积神经网络中只需要人为定义卷积核大小即可。而卷积核的权重是通过训练模型得到的，将输入的数据与卷积核做卷积运算可以得到一个三维矩阵，具体实现就是将卷积核从神经网络当前层的左上角移动到右下角，并且注意在移动过程中要计算每一个对应的单位矩阵，至此就完成了一个前向传播。有的时候为了避免卷积后矩阵的尺寸发生变化，我们往往采用在当前矩阵的四周用0填充（zero-padding）的方法。

在卷积层后加上一个池化层，这是为了进一步减少神经网络中的参数数目，因为池化层就是将2×2或3×3大小的矩阵变成一个数值，并且池化层能够让使整个模型的计算速度变得更合人心意，这样就可以缓减过拟合现象的出现。池化层过滤器将几个数变成一个数值的算法是简单地取均值或者是取几个数中的最大值，所以通常将使用了均值法的池化层称为平均池化层，而使用了取几个数中的最大的那个值得池化层称为最大池化层，并且最大池化层就是目前为止研究人员最喜欢使用的方法。

和卷积层的卷积核相差无几，池化层的过滤器的大小也是要求人为设定的、在进行池化的时候是否要进行用0填充、池化时移动的步长是否为1，或是自定义步长，这些条件都是需要人为设定的。池化层的过滤器的运作方式与和卷积层的过滤器相似，都是从左上角移动到右下角。区别在于，在卷积层使用的卷积核要求是操作神经网络模型中所有深度的，但是池化层使用的过滤器只要求操作深层神经网络模型其中一个深度上的节点，所以这就是为什么池化层的过滤器不仅仅在长、宽两个维度需要移动外，还要求可以在深度这个第三维度移动的原因。

2　将卷积神经网络用于交通标志识别的方法

卷积神经网络对图像的处理方式与前文提到的方法不同，卷积神经网络在进行图像的检索过程中不需要用到图像的特征向量，因此不需要在预处理过程中获取图像的特征向量。卷积神经网络处理的方法为输入一张图片。卷积神经网络的方法模型为分层次的方法，总共分为10层，分别为：1个输入层，3个子样品层，3个卷积层和1个连接层。输入层为最后的一层，输出层在最终的实验结果中会输出一个向量，此向量为一维的向量。此研究工作的数据集仍使用德国的标准数据集（GTSRB），次数据集的内容包含非常广泛，近3万张交通标志的图像，普通的PC实验环境很难处理如此庞大的数据集，因此在此基础上做了一个简单的选取，选取其中15类的交通标志作为研究工作的训练和测试数据集，以此来解决由于硬件环境约束所带来的问题。

3　实验结果与结论

通过反复测试并查阅专业的外文资料，不断地重新设计本结构下的参数，目的是获得更好的搜索效果。因为时间的原因以及神经网络相关知识的匮乏，导致没能取得预期的研究效果，但为日后的进一步研究提供了一个好的方向，最终检索结果的最佳准确率为12.10%。

通过对网络结构参数的不断调整，最后在德国的高数据集上的准确率为12.10%，结果不是十分理想没有达到预期的结果，这是由许多客观因素导致的，包括卷积神经网络知识的匮乏，网络结构参数设置的不合理，时间较少等，但为日后的研究工作打下了良好的基础，提供了好的方向。

表1　实验结果

参考文献

[1]沈兰荪，张菁，李晓光．图像检索与压缩域处理技术的研究[M]．北京：人民邮电出版社，2008．

[2]J. R. Parker．图像处理与计算机视觉算法及应用[M]．景丽，译．北京：清华大学出版社，1995.

[3]白鹏，张喜斌，张斌，等．支持向量机理论及工程应用实例[M]．西安：西安电子科技大学出版社，2008．

[4]R.-E. Fan，P.-H. Chen，C.-J. Lin．Working Set SelectionUsing Second Order Information for Training SVM[J]．Journal of Machine Learning Research，2005，（6）.

[5]杨志民，刘广利．不确定性支持向量机算法及应用[M]．北京：科学出版社，2012．

[6]李葆青.基于卷积神经网络的模式分类器[J]．大连大学学报，2003，24（2）.

[7]K.Fukushima．Neocognitron：A self-organizing neural-network model for a Mechanism of Pattern recognition unaffected by shift in position [J]．Biol. Cybern.，1980，（36）.

[8]Simon Haykin．神经网络原理[M]．叶世伟，史忠植，译．北京：机械工业出版社，2004.

[9]赵志宏，杨绍普，马增强．基于卷积神经网络LeNet-5的车牌字符识别研究[J]．系统仿真学报，2010，22（3）,.

基金项目：国家级项目“大连民族大学2017年大学生创新创业训练计划项目”（201712026027）。

（作者李俊华系大连民族大学计算机科学与工程学院学生）