基于CNN和Bagging集成的交通标志识别

摘要

针对直接集成简单分类器对交通标志数据库进行识别出现的类别预测效果较差的问题，提出一种基于卷积神经网络(CNN)和Bagging集成学习的交通标志识别算法，采用爬虫和图像增强技术实现交通标志数据集的扩充，以CNN网络提取交通标志图像的特征，通过采用最大池化层实现图像数据下采样，采用较浅的网络深度以简化整体网络结构。在CNN网络特征提取的基础上，利用软投票机制对多项Logistic、K近邻、SVM个体学习器进行集成，实现较准确的交通标志识别。实验结果表明，该算法在TSRD交通标志识别数据库测试集上的识别准确率达到了93.00%,相对于未改进的卷积神经网络模型识别准确率提高了11.99个百分点，并较高于通过VGG16和ResNet50迁移学习实现的识别准确率，具有较快的收敛速度。

关键词

图像增强 / 卷积神经网络 / 迁移学习 / 集成学习 / 交通标志识别