[發明專利]基于參數壓縮的卷積神經網絡交通標志識別方法

在審

• 申請號: 201711042226.8
• 申請日: 2017-10-31
• 公開（公告）號: CN107644221A
• 公開（公告）日: 2018-01-30
• 發明（設計）人: 宋佳蓉;楊忠;胡國雄;韓家明;張天翼;朱家遠
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 南京經緯專利商標代理有限公司32200
• 代理人: 姜慧勤

1.基于參數壓縮的卷積神經網絡交通標志識別方法，其特征在于，包括如下步驟：

步驟1，獲取四種類型的原始交通標志圖像，包括限速標志、禁止停車標志、前方有學校標志、紅綠燈標志；

步驟2，利用數據增強方法擴充步驟1獲取的四種類型的原始交通標志圖像；

步驟3，對擴充后的圖像進行預處理；

步驟4，構建卷積神經網絡，并對卷積神經網絡進行初始化，將預處理后的圖像送入卷積神經網絡進行有監督訓練，得到具有交通標志識別功能的卷積神經網絡，利用具有交通標志識別功能的卷積神經網絡對交通標志進行識別；

所述卷積神經網絡包括卷積層、單通道取均值層、全連接層和分類器；其中卷積層包括第一卷積層、第二卷積層、第一下采樣層、第三卷積層、第四卷積層、第二下采樣層、第五卷積層、第六卷積層、第七卷積層、第八卷積層以及第三下采樣層。

2.根據權利要求1所述基于參數壓縮的卷積神經網絡交通標志識別方法，其特征在于，步驟2所述數據增強方法具體包括以下三種操作：對圖像進行鏡像操作、小尺度旋轉操作、模糊操作。

3.根據權利要求1所述基于參數壓縮的卷積神經網絡交通標志識別方法，其特征在于，步驟3所述預處理具體包括尺度歸一化操作和像素減均值操作。

4.根據權利要求1所述基于參數壓縮的卷積神經網絡交通標志識別方法，其特征在于，步驟4所述卷積神經網絡包括卷積層、單通道取均值層、全連接層和分類器，具體如下：

卷積層：第一卷積層采用96個7×7×3大小的濾波器，步長為2；采用96個5×5×96大小的濾波器，步長為2，填充為1；第一下采樣層濾波器的大小為3×3，步長為2；第三卷積層采用256個為3×3×96大小的濾波器，填充為1；第四卷積層采用256個為3×3×256大小的濾波器，填充為1；第二下采樣層濾波器的大小為3×3，步長為2；第五卷積層采用256個為3×3×256大小的濾波器，填充為1；第六卷積層采用384個3×3×256大小的濾波器，填充為1；第七卷積層采用384個3×3×384大小的濾波器，填充為1；第八卷積層采用256個3×3×384大小的濾波器，填充為1；第三下采樣層濾波器的大小為3×3；

單通道取均值層：經過第三下采樣層后輸出圖像大小為11×11×256，采用單通道取均值后，輸出大小為1×1×256，即256個神經元；

全連接層：采用256×1-dropout-4096×1結構；

分類器：采用softmax分類器實現多分類輸出。

5.根據權利要求1所述基于參數壓縮的卷積神經網絡交通標志識別方法，其特征在于，步驟4所述將預處理后的圖像送入卷積神經網絡進行有監督訓練，得到具有交通標志識別功能的卷積神經網絡，具體過程如下：

1)將預處理后的圖像按60％、20％、20％的比例分為訓練集、驗證集、測試集；

2)設定迭代次數和學習率、設定訓練集上的期望損失值和期望準確率以及驗證集上的期望準確率，其中，訓練集上的期望準確率高于驗證集上的期望準確率；

3)將訓練集送入卷積神經網絡進行有監督訓練，訓練過程中，計算訓練集上的損失值和準確率，并采用隨機梯度下降算法進行反向傳播，對卷積神經網絡參數進行更新，然后重新計算損失值和準確率；

4)當訓練達到設定的迭代次數后，判斷訓練集上的損失值是否小于等于訓練集上的期望損失值，以及訓練集上的準確率是否大于等于訓練集上的期望準確率；若均符合要求，則進入下一步；否則，重新設置學習率或者增大迭代次數或者減小drop ratio，返回3)；

5)利用驗證集驗證訓練好的卷積神經網絡的準確率，判斷驗證集上的準確率是否大于等于驗證集上的期望準確率；若符合要求，則進入下一步；否則，減小迭代次數或者增大drop ratio，返回3)；

6)利用訓練好的卷積神經網絡在測試集上進行測試，并輸出準確率，訓練好的卷積神經網絡即為具有交通標志識別功能的卷積神經網絡。