《表2 各算法识别准确率：复杂光照条件下的交通标志检测与识别》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《复杂光照条件下的交通标志检测与识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

为进一步验证本文基于多尺度特征融合的神经网络对不同光照条件下交通标志的识别性能，选取GTSRB交通标志数据集和自建数据集对本文算法识别性能进行验证。将自建数据集中交通标志进行截取，并通过翻转、平移、缩放等方式对其进行扩样，其中，白天数据集（CQD）共包含2000幅训练样本和800幅测试样本；夜间数据集（CQN）共包括1500幅训练样本和800幅测试样本。选取本文算法与Multi-scale CNN、Random forests和LDA on HOG算法进行对比，设置网络学习率为0.02，训练迭代次数为30000。识别准确率统计结果如表2所示。可看出，对于GTSRB数据集，本文算法和Multi-scale CNN均具有较高的识别精度，分别达到了98.94%和98.31%。但在复杂光照条件下，当样本图像发生运动模糊及遮挡情况时，算法性能差异较明显，本文算法通过对多尺度图像特征进行提取，融合图像整体特征和局部边缘特征以提高算法的抗干扰能力，具有更好的稳健性。