基于改进Shape Context的分层交通标志识别系统

智城实践NO.03 20249智能城市 INTELLIGENT CITY 基于改进YOLOv8的交通标志识别算法陈广靖（长春大学电子信息工程学院，吉林 长春 130000）摘要：针对交通标志识别算法计算量较大、结构复杂及部署应用时对硬件性能要求较高的问题，文章提出了基于YOLOv8n算法改进的YOLOv8-MixGhost交通标志识别轻量化算法，该算法针对YOLOv8算法中的特征提取模块C2f和解耦头计算量较大的问题，提出了轻量化的特征提取模块MixGhost和轻量化的识别头SEG_Head。

在TT100K数据集上进行实验，YOLOv8-MixGhost算法在平均识别精度较YOLOv8n分别提高了0.8%，但计算量是YOLOv8n的82.7%，参数量和模型大小分别较YOLOv8n降低了0.54 M和1.1 M。

关键词：交通标志识别；YOLOv8；轻量化中图分类号：U463.6 文献标识码：A 文章编号：2096-1936（2024）03-0009-03DOI：10.19301/ki.zncs.2024.03.003交通标志识别技术在辅助驾驶、自动驾驶、交通安全、智能城市及智慧交通等领域具有重要的作用。

深度学习技术在目标检测和识别方面具有突出表现，但这些算法在部署到实际应用场景时面临着若干挑战，例如涉及复杂的网络结构，对硬件的算力要求较高[1]。

DANG等[2]提出了用C3_new模块替换掉YOLOv5算法中的C3模块，降低算法计算量和参数量，并在私有数据集验证，平均识别精度达到了79.2%，模型大小为50 M。

熊恩杰等[3]在YOLOv8n 的基础上引入GhostConv、GAM注意力机制和GIoU 损失函数来轻量化算法，并在TT100K[4]数据集的平均识别精度为71.9%，模型大小和参数量为6.07 M和2.80 M。

本文提出YOLOv8-MixGhost交通标志识别轻量化算法，降低了对硬件的性能要求，有利于交通标志识别技术普及，应用前景广泛。

基于改进YOLOX的交通标志检测与识别作者：陈民吴观茂来源：《现代信息科技》2022年第02期摘要：现实中交通标志的检测和识别具有环境多变的特点，交通标志长时间暴露在外经常会出现损坏情况，对检测的精度和速度产生较大影响。

利用最新的YOLO系列算法——YOLOX，对网络结构的加强特征提取层进行改进，引入OPA-FPN网络，相较于原来的PANet 网络，后者精度提升2.2%。

在交通标志识别过程，对经典的卷积神经网络模型LeNet-5进行改进，在数据集TT100K中进行实验，相较于其他交通标志识别模型，使用改进的模型可以使识别正确率提升2.31%，识别时间减少了13.02 ms。

关键词：单步路径聚合网络;YOLO;卷积神经网络;FPN;LeNet-5中图分类号：TP273+.4 文献标识码：A文章编号：2096-4706（2022）02-0101-04Abstract： In reality， the detection and recognition of traffic signs have the characteristics of changeable environment. Traffic signs are often damaged after being exposed for a long time， which has a great impact on the accuracy and speed of detection. Using the latest YOLO series algorithm—YOLOX， the enhanced feature extraction layer of the network structure is improved， and the OPA-FPN network is introduced. Compared with the original PANet network， the accuracy of the latter is improved by 2.2%. In the process of traffic sign recognition， the classical convolutional neural network model LeNet-5 is improved， experiments are carried out in the data set TT100K. Compared with other traffic sign recognition models， using the improved model can improve the recognition accuracy by 2.31% and reduce the recognition time by 13.02 ms.Keywords： single-step path aggregation network; YOLO; convolutional neural network; FPN; LeNet-50 引言随着城市化的发展，人们的生活质量日益提高，道路上车辆的数量也远超过从前，无人驾驶作为极具发展前景的技术也逐步进入百姓生活中。

基于shape context的指纹图像识别研究胡晓霞; 郑三婷【期刊名称】《《电子设计工程》》【年(卷),期】2019(027)017【总页数】5页(P122-126)【关键词】指纹识别; 形状上下文; 薄板样条曲线; 联合度量策略【作者】胡晓霞; 郑三婷【作者单位】西安工业大学北方信息工程学院陕西西安710025; 西安外事学院陕西西安710077【正文语种】中文【中图分类】TN911随着互联网和信息行业的不断发展，技术力量不断推动着人类创造新的世界。

其中，生物识别技术已经在诸多应用领域实现规模化应用。

而作为生物识别技术领域的一个重要组成部分，指纹识别技术基于其应用范围广泛，价格低廉的优势在身份识别领域占据着十分重要的主导地位。

它被广泛应用于考勤系统、智能家居、及司法领域、金融领域等大型的公共项目中，除此之外，指纹识别技术还被创新应用到护照、签证、身份证等十分重要的管理系统中，具有广阔的应用前景。

由于指纹具备唯一性、不变性、可靠性等优点，因此，指纹图像的识别研究在身份管理方面具有十分重要的实际意义[1-3]。

信息技术的高速发展、广泛应用，使得大数据、智能化以迅猛的速度改变着人类的生活。

如何精准、快速地识别指纹图像，进而达到高效的身份认证成为研究基于生物特征进行身份管理的智能系统的重中之重。

因此，需要探索一种新的更加智能高效的指纹识别算法并将其应用在多领域的智能身份管理系统的识别工作中。

因此，为了达到对指纹图像精准、快速的识别需求，本文提出了基于shape context的识别机制，总体思路是：首先，将待识别的指纹图像进行图像预处理，其中包括：图像标准化、图像增强、图像滤波等。

然后对指纹图像进行特征提取，最后将提取的特征数据与模板图像的特征数据进行相似性距离度量，并输出识别结果确认指纹身份是否正确。

1 指纹图像预处理指纹图像的质量和噪声是影响指纹识别性能的关键因素，对身份识别的安全性起到至关重要的作用，而影响图像质量的关键环节则是指纹图像的采集。

一种基于深度学习的交通标志识别算法研究作者：谢豆石景文刘文军刘澍来源：《电脑知识与技术》2022年第06期摘要：针对当前在真实环境中交通标志呈多尺度分布，且图像背景复杂、天气光照多变等多种因素造成识别精度低、识别速度慢等情况。

提出了一种基于深度学习神经网络的交通标志识别的设计与实现。

首先从公开数据集TT100K中选取出现次数最多的45类交通标志进行识别，接着对图像进行mosaic等图像增强及图像处理。

然后在深度学习神经网络中的YOLOv4网络结构上进行改进，使用聚类划分需要检测的目标框尺寸和CIOU对预测结果进行优化，最后使用迁移学习对模型进行训练。

通过对模型的评估发现，与现有的方法相比，该模型的识别精度更高，识别速度更快。

关键词：深度学习;目标检测;交通标志检测;YOLOv4中图分类号：TP393 文献标识码：A文章编号：1009-3044（2022）06-0116-03开放科学（资源服务）标识码（OSID）：1 概述近年来，交通标志识别作为智能驾驶中一个重要的组成部分，引起了人们的广泛研究。

准确快速地识别出各种交通标志能帮助驾驶员规范行驶，从而能够提高出行效率，降低交通事故的发生。

传统的交通标志识别方式主要采用基于计算机视觉和机器学习模型的方法 [1-2]。

如Nandi 等人[1]通过图片的不同色彩空间进行识别、对交通标志的形状及轮廓进行分割提取交通标志、融合交通标志的形状与色彩特征和采用深度学习中的神经网络进行识别。

Gao等人[2]根据每个交通标志的颜色和形状的不同来区分。

采用色彩模型CIECAM97和形状模型提取出不同的交通标志进行判别。

这些研究方法需要对图像做复杂的图像处理，减慢了检测速度。

且灵活性弱，不能应用在多种不同的应用场景下。

当前基于深度学习的交通标志识别逐渐成为研究的主流[3-5]。

张传伟等人[3]使用目标检测模型YOLO构建交通标志识别模型，魏龙等人[4]则采用改进的YOLO模型进一步优化交通标志识别的效果。

基于改进SSD 的交通标志实时检测作者：徐元泽王勇来源：《电脑知识与技术》2021年第29期摘要：针对实际驾驶时获取的自然交通场景图像中，交通标志占图像比例较小导致检测精度低问题，同时要求交通标志检测速度快，提出一种改进的单发多框检测（SSD）神经网络模型。

该模型在SSD基础上融合特征金字塔网络（FPN），在后处理方法应用中心点距离非极大值抑制（DIoU-NMS），提高了交通标志小目标的检测精度。

实验结果表明，改进后的SSD 网络型检测性能显著提高，其均值平均精度（mAP）比原SSD提高了7.6个百分点，其每秒帧率（FPS）达到31.4具备实时检测能力。

关键词：交通标志;实时检测;单发多框检测（SSD）;特征金字塔网络（FPN）中图分类号：TP183 文献标识码：A文章编号：1009-3044（2021）29-0092-03Real-time Traffic Signs Detection Based on Improved SSDXU Yuan-ze，WANG Yong（School of Computers， Guangdong University of Technology， Guangdong 51000 China ）Abstract：In the natural traffic scene images obtained during actual driving， the small proportion of traffic signs in the image leads to the problem of low detection accuracy. At the same time， the detection speed of traffic signs is required to be fast. An improved single-shot multibox detector （SSD） neural network model is proposed. The model integrates Feature Pyramid Network （FPN） on the basis of SSD， and applies center point distance non-maximum suppression （DIoU-NMS） in the post-processing method to im? prove the average detection accuracy of small targets of traffic signs. Experimental results show that the improved SSD network model not only significantly improves the detection performance， its mean average accuracy （mAP） is 7.6 percentage points higherthan the original SSD， and it has real-time detection capabilities that the frame per second reaches 31.4.Key words：traffic sign; real-time detection; single shot mulitboxdetector（SSD）; feature pyramid networks（FPN）1引言随着5G、人工智能、边缘计算等科学技术的进步和发展，辅助驾驶、无人驾驶等智能驾驶技术也越来越成熟，交通标志检测（Traf-fic Sign Detection，TSD）作为智能交通系统的重要组成部分之一，在安全出行中发挥着不可替代的作用[1]。

基于Shape Context的形状匹配方法的改进
夏小玲;柴望
【期刊名称】《东华大学学报（自然科学版）》
【年(卷),期】2009(035)001
【摘要】传统的Shape Context算法只对简单的形状进行形状匹配.关注于人脸形状匹配和智能化视频监控应用,提出一种Shape Context形状匹配的改进方法,并将Shape Context的形状匹配运用到人脸的形状匹配中.本方法基于Shape Context算法,使用改进的边界提取算法,并融入了扩散滤波的预处理算法和数学归一化方法.本方法适用简单形状和人脸形状匹配,具有二维不变性,并且在智能视频监控中能得到稳定和有效的使用.
【总页数】5页(P79-83)
【作者】夏小玲;柴望
【作者单位】东华大学计算机科学与技术学院,上海,201620;东华大学计算机科学与技术学院,上海,201620
【正文语种】中文
【中图分类】TP751.1
【相关文献】
1.基于Shape Context和尺度不变特征变换的多模图像自动配准方法 [J], 王炳健;卢刚;黄洋;李庆;秦翰林
2.基于改进Shape Context的分层交通标志识别系统 [J], 秦瑾;张新峰
3.一种基于改进地貌形状上下文的形状匹配方法 [J], 刘望舒;郑丹晨;韩敏
4.基于shape context的指纹图像识别研究 [J], 胡晓霞; 郑三婷
5.基于改进α-shape算法的三维点云树冠体积计算方法 [J], 程钢;王敬宇;杨杰;赵宗泽;王磊
因版权原因，仅展示原文概要，查看原文内容请购买。

138计算机与多媒体技术Computer And Multimedia Technology电子技术与软件工程Electronic Technology & Software Engineering随着中国社会经济的飞速发展，交通领域变得越来越方便。

同时，随着私家车的增加，安全驾驶问题变得更加突出，智能交通系统的作用显得特别重要。

交通标识的识别在智能交通系统中有着重要的作用，为驾驶员提供了减轻驾驶压力，确保行驶安全的作用，在道路交通运营中具有实际的现实意义。

交通标志识别往往是在车辆行驶过程中和复杂的户外交通环境下进行的，比一般静止的事物识别更难，主要体现在运动模糊、复杂多变的光照（天气）条件、背景环境干扰等问题。

在交通标识识别[1]中，如何选择更有效更合适的识别模型，一直都是深度学习中的研究热点之一。

近年来，很多深度学习、人工智能领域的研究者不断探索改进实现交通标识识别的相关模型，反复进行了大量的实验。

随着人工智能的发展，智能交通标识识别技术得到了不断的改进创新，在分类识别方面有了很大的提高。

智能驾驶辅助系统[2][3]对自动驾驶是否安全具有重大的意义[4]，相关技术的提升也使得交通标识走向了更前沿的水平。

1 相关技术研究1.1 基于建立数据库进行交通路标图像的重合对比基于建立数据库进行交通路标图像的重合对比，即模板匹配[6]。

模板匹配实际上是一种相邻算法，通常用于识别图像。

在真实场景中，采集到的图像的颜色或形状[7]可能会失真，或者会被遮挡，这样，与该图像进行匹配时，标准模板会有较大的误差，匹配精度也会降低。

在实际应用时，往往会因为外部因素的影响导致出错的几率大大增加，抗噪性不佳。

1.2 基于卷积神经网络的交通标识识别与传统方法相比，深度学习方法可以提高效率，自主学习。

作为机器学习[5]的一部分，该网络的信息获取功能也比较好，很具有代表性，应用也比较广泛。

卷积神经网络（CNN ）是受生物学认知机制启发的常见深度学习网络体系结构，已经发展了近20年，现在已经成为深度学习方向上最重要的网络结构之一。

• 35•随着城市交通流量日益增大，交通管制难度也不断增大。

拥堵、路况复杂等因素，不仅对交通管制形成严峻挑战，作为驾驶员来说，也是压力倍增。

针对这种形式，相关人员陆续着手研发智能交通系统（TSI），TSI自诞生以来，在缓解交通拥堵和强化交通管制方面发挥着越来越重要的作用，TSI的应用越来越广泛。

不管是无人驾驶技术，还是智能辅助驾驶系统，都对TSI有着不同的程度的依赖和需求；同时，日新月异的信息技术和大数据处理，也让TSI面临着新的挑战。

交通标识物的识别研究，是TSI当中最重要的一个研究方向，且变得越来越重要。

本文基于SVM网络的变形，优化出一种基于卷积神经网络一对多SVM交通标志物识别算法，其次，在交通标志物检测方面，在的卷积神经网络基础上，结合深度学习对检测算法做出优化和改进。

测试结果表明，这两种优化方式在识别的准确率上都有良好的表现。

交通标志物是指一类包含着丰富交通信息的的指示标志，作为道路交通的重要组成部分，为驾驶员提供大量指示信息，避免交通事故发生，从而保护人身财产安全，发挥着巨大的作用。

在交通管理过程中，交通标志物起到引导、限制、警告等作用，是保障道路交通安全、顺畅的重要措施。

然而，受到交通环境的日趋复杂、光照条件的变化、植被障碍物遮挡等因素的影响，对交通标识的清晰辨别形成挑战，加上认为因素如疲劳驾驶、粗心大意等影响，更加剧了交通标识的识别难度。

故基于深度学习的交通标志识别，在辅助驾驶及无人驾驶技术的研究方面，起着越来越大的作用。

目前，交通标志检测与识别技术的理论基础已经很成熟，但是目前的研究成果还无法在实际生活中广泛应用。

当前的系统存在识别率和时间无法同时兼顾的问题，并且一个系统只能应用于一个国家。

如果识别率高，则检测时间将较长；如果检测时间短，则识别率将较低。

因此，可以相信，在学者们的不断努力下，将在这两者直接取好平衡点，交通标志检测与识别系统将很快投入实际应用。

1 深度学习概念随着人工神经网络研究的不断深入，科学家提出了一种全新的无监督学习方式，即深度学习，其目的是为模拟人脑进行学习分析的神经网络。

基于改进VGG模型的低照度道路交通标志识别摘要：随着当今社会的迅速发展,智能驾驶系统和无人驾驶汽车逐步进入人们的现实生活,交通标志识别作为其中的关键部分,有着非常高的研究价值。

交通标志是由政府在机动车道路上设置的用来警示和限制驾驶人员的图形类标志牌。

对于无人驾驶汽车来说,只有当无人驾驶汽车能够准确的识别出交通标志牌上图案的内容,计算机才能够根据当前的环境做出最安全且符合交通规则的判断和行为。

因此通过提高识别准确率可以推动无人驾驶技术的发展,进一步提高无人驾驶汽车在现实道路驾驶过程中的安全性。

早期的交通标志识别方法比较简单,主要使用传统的图像处理方法对交通标志进行识别,比如利用阈值分割,滤波器及边缘检测等传统方式进行识别和检测。

但是由于传统的图像处理方法容易受到图像扭曲、遮挡等影响,准确率和鲁棒性都不高。

关键词：VGG模型；低照度；交通标志识别；引言交通标志识别是智能辅助驾驶的重要组成部分，对无人驾驶领域的发展有直接的推动作用。

近年来，城乡公路建设迅速，复杂自然场景对交通标志识别的稳定性提出了新的挑战。

目前对交通标志的识别方法主要有模板匹配、机器学习以及卷积神经网络等。

从现有研究来看，基于卷积神经网络的分类方法在预测准确率、泛化性以及实时性方面相比于其他方法更高，并在交通标志识别方面成功应用。

1图像增强及交通标志定位1.1图像亮度自适应增强为了提高低光源下的识别精度，CLAHE算法用于增加输入图像的亮度。

此算法通过限制局部对比度，有效地防止由于杂色放大而导致的图像失真。

此算法通常用于处理灰度图像和增强灰度图像。

对于彩色图像，它将从RGB转换为HSV颜色空间，CLAHE将对v通道进行直方图均衡化，然后将v通道重新渲染为原始图像。

此方法可以有效地改善阴影的亮度，同时防止高光过度曝光。

1.2图像预处理对于自然场景的交通标志图像，其光照条件以及雾气等因素对图像明暗和清晰度影响较大，而这个问题可以通过直方图均衡化进行对比度调整得到有效解决。

基于计算机视觉的道路交通标志识别系统设计随着城市化进程的不断加速，人们的交通方式也越来越多样化。

不论是公共交通还是私家车，道路交通标志都是交通安全的重要组成部分。

然而，我们身边总会有一些驾驶者因为疏忽或其他原因而未能准确识别道路交通标志，导致交通事故的发生。

为了提高交通安全，许多科技公司和学术机构开始研究基于计算机视觉技术的道路交通标志识别系统。

一、计算机视觉技术概述计算机视觉是一种通过数字图像处理技术，使得计算机能够模拟人类视觉从图像中获取信息的技术。

它包括图像获取、图像处理、模式识别等多个方面。

在道路交通标志识别系统中，计算机视觉技术主要用于图像处理和模式识别。

二、道路交通标志识别系统设计的核心问题在设计一个基于计算机视觉的道路交通标志识别系统时，需要解决以下几个关键问题：1.图像获取要想对一张道路交通标志的图像进行识别，首先需要获取这张图像。

图像获取方式包括通过传感器获取、通过相机或摄像机获取等多种方式。

其中，通过相机或摄像机获取的方式最常用，因为它可以快速准确地获取到道路交通标志的实时图像。

2.图像预处理在得到一张图像后，需要对图像进行预处理。

图像预处理包括去噪、平滑化、灰度化、二值化等多个环节。

去噪的目的是降低输入图像的噪声，而平滑化则是为了消除输入图像中的小尺寸锯齿和点噪声。

灰度化是为了将图像从RGB彩色模式转变为单一的灰度模式，从而减少图像存储和处理的复杂性；二值化则是将图像转变为二值图像，以便进行后续的形态学和目标分割。

3.特征提取特征提取是将预处理后的图像转换为一些有意义的特征向量的过程。

在道路交通标志识别系统中，常用的特征包括颜色、形状、纹理等。

因为道路交通标志往往具有明显的颜色和形状，因此颜色和形状是特征提取的重要方面。

4.模式识别模式识别是将特征向量与预定义的类别进行匹配，以得出输入图像所属的类别。

在道路交通标志识别系统中，模式识别的细节涵盖了很多方面，例如特征向量的选取、分类器的选择、模型训练等。

基于计算机视觉的交通标志识别系统设计与实现一、引言随着交通事故的增多，人们越来越关注道路交通事故的预防与防范。

交通标志的作用至关重要。

深度学习在计算机视觉领域被广泛应用，也逐渐被应用到交通标志识别中，为交通安全提供了便利性的同时，也为相关学术领域提供了更多探索的机会。

二、交通标志识别技术现状目前，深度学习技术已经成功应用到交通标志识别领域中。

这种计算机视觉技术利用现有图像数据库来训练卷积神经网络，并结合标注信息对交通标志进行识别。

该技术已经在行人识别、车牌识别、人脸识别等领域中得到广泛应用。

三、交通标志识别系统设计本系统主要分为四个部分：数据库模块、图像处理模块、特征提取模块和分类器模块。

1. 数据库模块数据库模块主要用于存储和管理交通标志图像，并将其与标签信息一一对应。

该模块的构建需要充分考虑存储空间和运行效率。

2. 图像处理模块图像处理模块的主要任务是处理原始图像，将其转化为模型所需的格式，并进行预处理。

此处需要对数字图像处理技术有深入了解。

该模块需要实现的主要功能包括图像增强、去噪等操作。

3. 特征提取模块特征提取模块是整个系统的核心所在，其目的是将经过预处理的图像转换为易于分类器处理的向量。

目前，深度学习技术中常用的有两种：基于卷积神经网络的特征提取和基于矢量量化的特征提取。

前者更加高效、准确，但比较耗费计算资源；后者比较高效、稳定，适合较大规模的图像分类应用。

4. 分类器模块分类器模块可根据实际需求选择不同的分类器模型。

通常，深度学习技术中常用的分类器主要有：支持向量机(SVM)、逻辑回归(Logistic Regression)、决策树(Decision Trees)等。

不同的分类器模型对识别效率和准确率的影响也不同。

四、交通标志识别系统实现本系统的实现采用Python语言编写，具体涉及到的框架和类库有OpenCV、Keras、TensorFlow等。

具体实现过程如下：1. 数据库模块：数据库使用MySQL实现，通过MySQL的存储过程实现图像和标签的批量导入导出。

基于层次轮廓计算机视觉的交通路标识别赵铎【摘要】针对现有计算机视觉对交通路标识别的复杂性和不稳定性的问题,通过运用图像轮廓识别技术,提出了由全局特征到局部特征再到结构特征的多层次轮廓识别,在交通路标的识别过程中,分别构造了图像密度、形状度量、光滑程度和轮廓熵值4个层次的图像轮廓,同时结合Sobel算子和信息熵对交通路标图像进行了提取与分块处理.通过实验仿真结果表明:在图像的提取过程中,交通路标图像随着其DMOS值的增大,图像的质量越差,清晰度越低,其NRSS值越小;在图像的识别过程中,低通滤波器的大小设置为7×7,原图NRSS为0.7654,形状度量为1.3和2.4时,NRSS分别为0.3712和0.2667.这种层次化的轮廓分析在路标的识别上具有较好的稳健性.%For the complexity of problems and instability existing computer vision , traffic signs recognition, through the use of image recognition technology outline presented by the global to the local feature characteristic feature of multi-level structure and then outline recognition , the recognition process of traffic signs the were constructed image density, shape measurement, smoothness and contour entropy four levels of image contours, combined with Sobel operator and traffic signs image information entropy were extracted and processed block. The simulation results show that:in the extraction process of an image, the image with the increasing traffic signs DMOS its value, the worse the image quality, the lower the resolution, the smaller the NRSS value;in the recognition process of the image, the low when the size of the set-pass filter is 7 × 7, picture NRSS to 0.7654, shape of metric is 1.3 and 2.4, NRSS 0.3712 and 0.2667respectively. This level of profiling has better robustness in recognition of road signs.【期刊名称】《电子设计工程》【年(卷),期】2017(025)014【总页数】4页(P123-126)【关键词】交通图标;图像轮廓;计算机视觉;图像分块;图像识别【作者】赵铎【作者单位】陕西交通职业技术学院信息工程系,陕西西安 710018【正文语种】中文【中图分类】TN949.6随着数字全息技术的不断发展，计算机视觉应用越来越广泛，尤其在交通路标的识别过程中具有出色的表现[1]。

基于二级改进LeNet-5的交通标志识别算法党倩;马苗;陈昱莅【摘要】Focusing on GTSRB dataset acquired in real world, a traffic sign recognition algorithm based on the 2-level improved LeNet-5 is proposed,which combines convolutional neural networks with support vector machines.With the consideration of the requirement of real-time recognition, the traditional network structure of LeNet-5 is improved first.After GTSRB dataset images were cropped and converted to grayscale images, their brightness and size are normalized to 32×32 image s.Next, a 2-level improved LeNet-5 is trained with GTSRB dataset, where the first level categorized traffic signs to 6 categories with the improved LeNet-5, and the second level improved LeNet-5 provide with the final category.Experimental results show that the proposed algorithm could provide with a correct recognition ratio 91.76%, since the multi-scale features could be fully analyzed with 2-level improved LeNet-5.%以真实场景中拍摄的交通标志图像数据集GTSRB为研究对象,将卷积神经网络与支持向量机相结合,提出一种基于二级改进LeNet-5的交通标志识别算法.该算法首先根据识别系统的实时性要求,对原始LeNet-5结构进行改进;然后用裁剪、灰度化、图像增强和尺寸归一化等操作对原始图像进行预处理,得到32×32的感兴趣区域;接下来,利用数据集GTSRB训练出一个二级改进LeNet-5,其中第一级改进LeNet-5将感兴趣区域中包含的交通标志粗分为6类,第二级改进LeNet-5对粗分类结果进行细分类,识别出交通标志所属的最终类别.实验结果表明,基于二级改进LeNet-5交通标志识别算法因网络模型能够提取交通标志的多尺度特征,识别正确率可达91.76%.【期刊名称】《陕西师范大学学报（自然科学版）》【年(卷),期】2017(045)002【总页数】5页(P24-28)【关键词】卷积神经网络;交通标志;分类识别;支持向量机【作者】党倩;马苗;陈昱莅【作者单位】陕西师范大学计算机科学学院, 陕西西安 710119;现代教学技术教育部重点实验室, 陕西西安 710062;陕西师范大学计算机科学学院, 陕西西安710119;陕西省语音与图像信息处理重点实验室, 陕西西安 710072;现代教学技术教育部重点实验室, 陕西西安 710062;陕西师范大学计算机科学学院, 陕西西安710119【正文语种】中文【中图分类】TP39随着城市现代化建设的发展，汽车保有量急剧增加，交通拥堵,交通事故频繁发生，因此提高车辆行驶的安全性已成为现代城市智能交通系统的首要问题。