一种新的融合混合主动专家算法用于交通标志牌识别

交通标志牌识别是当今应用中的一个重要问题。本文结合集成和主动学习方法，针对该问题提出了一种新的主动专家算法融合组合。主动学习算法是用于减少样本数量的流行方法。主动学习的主要目标是降低复杂性，提高收敛速度，加快培训过程，降低样本标签的成本。因此，主动学习选择信息样本进行训练。此外，集合方法是简单分类器的组合，用于提高准确性。每个分类器都试图比其他区域更好地学习数据集区域，所有意见都被视为集合方法的最终决策。专家的混合是最现代的混合方法之一，其中训练过程需要相对长的时间，并且这是大型数据集的问题。我们提出的混合主动专家试图解决这个问题。它通过在主动学习阶段仅选择信息样本来减少训练时间过程并提高收敛速度以找到最佳权重。它也适用于在线情况，其中模型应该连续训练。德国交通标志牌识别基准数据集的不同实验结果表明，该方法显示出96.69％的准确率，并且在使用较少数量（仅60％）的训练样本的所有现有算法中达到了第6等级。

道路交通事故（RTAs）是一个全球公共卫生问题。道路交通事故的一部分是由于司机疏忽而遵守限速等交通标志。如今，为了减少驾驶困难，正在使用智能交通系统（ITS），其中车辆配备有助于驾驶员。驾驶员辅助系统（DAS）通过提高驾驶员对交通和道路状况的注意力和意识来减少交通事故。其中一个驾驶员辅助系统是交通标志识别系统（TSRS），通过警告他们交通警告标志，帮助驾驶员驾驶更安全，更轻松。因此，驾驶员辅助系统对研究人员来说是一个有趣的主题，它激励他们在实施，性能，准确性，新颖性和优化算法方面进行大量研究。除了警告驾驶员，识别交通标志，并禁止某些行动[31]，TSR还有更多的应用，如驾驶员支持系统（DSS），可以帮助司机在醉酒或对交通标志牌的关注度较低的情况下更加了解它们以减少事故的可能性[9]。另一个应用是通过实时检测和识别标志以及公路维护来帮助道路安全和交通跟踪，检查交通标志的状况可以自动完成[5]。认识到真实环境中的交通标志牌很难，主要是由于某些标志的能见度差[36]。这些条件可分为照明条件，恶劣天气条件和几何条件：

照明方向变化引起的图像质量差，照明强度取决于时间和季节，阴影的存在以及雨和雾等恶劣天气条件。

由于拍摄它们的方向/角度不同，图像中的交通标志牌的旋转。在树木，结构和同色物体存在的情况下，交通标志牌可能会出现堵塞或恶化。TSR系统中的内存有限。

主动学习是人工智能系统中的一种现代方法，旨在减少样本量，复杂性并提高数据分类的准确性。今天，标记的样本成本很高，并且注释它们也有局限性。当存在大量未标记的样本时，我们使用主动学习，或者很容易访问它们，但样本标签很难，耗时且昂贵。

另一方面，混合方法已经被人类生活建模，并且是我们生活中的一般模型，例如议会选举和其他模式，其目的是提高分类准确性。混合方法是用于将所有分类器意见组合作为最终决定的方法。每个分类器可能在本地不同意但是混合方法考虑集体答案。通过使用这些方法，精度优于基础分类器，并且基于统计原因，混合方法比基础分类器具有更少的错误。重要的是要知道是否可以使用混合方法以及哪一个在统计上合理地通过平均来降低风险。使用混合方法的其他原因是大量数据，太少数据和获取多组数据。换句话说，分而治之是提升分类器性能的一个很棒的模型，也是开发混合方法的一个很好的理由。这些算法分为两部分：静态算法和动态算法。静态方法中不使用训练样本。但在动态方法中，专家们最初接受过培训。每种算法都有不同的功能。在学习过程之后，每位专家将做出最终决定，然后算法结合专家的结果。不同的混合方法如下：平均，产品，最大值，最小值，中值规则，投票，加权多数表决，Borda计数，决策模板，叠加泛化，Adaboost，行为知识空间，装袋和专家混合。