[發明專利]基于緊湊型神經網絡的深度學習模型的交通標志識別系統

在審

• 申請號: 201710236154.4
• 申請日: 2017-04-12
• 公開（公告）號: CN107220643A
• 公開（公告）日: 2017-09-29
• 發明（設計）人: 梁旭強;陳學松;劉乃源;陳威;梁杰舜;朱遠鵬
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/62;G08G1/0962
• 代理公司: 廣東廣信君達律師事務所44329
• 代理人: 楊曉松

技術領域

本發明涉及一種計算機視覺和機器學習技術，屬于目標檢測和識別的方法，具體涉及一種基于緊湊型神經網絡的深度學習模型的交通標志識別方法和系統，適用于圖像或視頻中的交通標志的檢測和識別。

背景技術

近年來，無人駕駛發展愈發成熟，而輔助駕駛已經進入實用階段，交通標志的識別是目前智能輔助輔助駕駛系統最重要的模塊之一，并且是無人駕駛技術的重要組成部分。

交通標志識別模塊通常包含定位檢測和分類識別兩個方面。

在交通標志的定位方面，可以定位出可能存在交通標志的區域。已有成果均采用基于顏色的方法實現圖像分割,適合于交通標志圖像分割的顏色空間包括RGB空間、HSI空間等，而本發明運用的是RGB空間。

在交通標志的識別方便，絕大部分學者均采用傳統的卷積神經網絡識別分類交通標志，但是有著模型大，計算代價高，不適合移植至移動平臺的缺陷。

因此，計算代價低、模型可移植、模型體積小、準確率高的交通標志識別模塊在無人駕駛和輔助駕駛中發揮著重要的作用。

發明內容

本發明的目的是為了克服現有基于傳統深度學習的交通標志識別系統復雜高、參數多、難以移植至移動平臺等缺陷。

本發明改進的技術問題是傳統卷積神經網絡的計算量大，導致在移動平臺上識別速度慢的問題，提出了一種基于緊湊型神經網絡的深度網絡模型的交通標志識別方法。

本發明技術方案包含圖像采集、圖片預處理、交通標志識別、語音提醒四個模塊，如圖 1。

1.圖像采集部分

該系統移植至移動平臺(android平臺)，通過手機攝像頭或者車載行車記錄儀獲取每幀圖像輸入圖片預處理模塊。

2.圖片預處理部分

圖片預處理分為三個模塊：顏色定位、形狀檢測、圖片縮放。

顏色定位：利用交通標志的顏色特征(紅、黃、藍三色)可初步將交通標志提取出來。

形狀檢測：在顏色定位的基礎上，利用交通標志的形狀特征(三角形、圓形、矩形)，檢測出包含交通標志的區域并截取出來。

圖片縮放：為了規范截取的圖片，將其統一為32*32的尺寸，并輸入交通標志識別模塊，處理后如圖2所示。

3.交通標志識別部分

交通識別模塊的技術方案是基于緊湊型神經網絡的深度學習網絡并利用遷移學習使其適應交通標志識別。緊湊型神經網絡的設計原理為利用1x1的卷積核代替3x3卷積核，減少9 倍參數輸入，其核心構件為緊湊層，即將一層卷積層用壓縮層和擴展層代替，壓縮層為1x1 卷積層，擴展層為1x1與3x3組合得到的組合層。為了適應交通標志識別，將圖3改進為如圖4所示網絡架構。

4.語音提醒部分

該網絡具有速度快，體積小，準確率符合基本應用標準的特點，適用于移動平臺，并嵌入APP當中，將分類識別出的交通標志已語音提醒的方式提醒司機。

本發明的優點和積極效果在于：

本發明提供一種基于緊湊型神經網絡的深度學習模型的公路交通標志自動識和提醒系統，此系統運用緊湊型神經網絡進行遷移學習，有很高的實時性和很低的運算量，可移植至移動手機平臺，只需利用手機便可實現基本的公路交通標志識別和語音提醒，避免司機行車過程中疏忽導致的事故。

本發明的前期圖像預處理可以降低深度學習的輸入維數和圖像體積，并突出交通標志的特征。

本發明的深度神經網絡模型在使用訓練集為GTSRB(德國交通標志識別基準，German trafficsign recognition benchmark)中的訓練集，包含訓練圖片39，209張，測試圖片12630 張)時，參數比傳統的模型參數少上百倍，訓練完成的權重參數文件只有4MB左右卻達到 93.5％的測試精度。

本發明具有識別交通標志的種類多、精度高、實時性好等優勢，降低了光照變化、顏色褪色、運動模糊、復雜的背景等因素對圖像識別的影響,提高了抗干擾能力，識別準確率高，誤識別率低。

附圖說明

下面結合附圖和實施例對本發明進一步說明。

圖1本發明交通標志識別系統的模塊示意圖。

圖2本發明的圖片預處理前后對比圖。

圖3本發明的緊湊層結構示意圖。

圖4本發明的基于緊湊型神經網絡的深度神經網絡架構圖。

具體實施方式

下面結合附圖和實施例對本發明的技術方案進行詳細說明。