[發明專利]基于改進的卷積神經網絡的交通標志檢測方法

在審

• 申請號: 201810261070.0
• 申請日: 2018-03-27
• 公開（公告）號: CN108520212A
• 公開（公告）日: 2018-09-11
• 發明（設計）人: 周武能;趙銀玲
• 申請（專利權）人: 東華大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 翁若瑩;柏子雵

本發明涉及一種基于改進的卷積神經網絡的交通標志檢測方法，其特征在于，包括以下步驟：第一步、實時獲取交通標志圖像，在實時獲取過程中對交通標志圖像進行圖像預處理，圖像預處理時保留交通標志的三維色彩；第二步、卷積神經網絡從多個角度提取預處理后的交通標志圖像的不同特征，根據提取的特征，對圖像中包含的交通標志進行檢測和分類。本發明針對卷積神經網絡的訓練速度，在傳統的卷積神經網絡基礎上進行改進。改進的卷積神經網絡擁有相對數量較少的卷積核，同時，在每一池化層擁有不止一種的池化類型。因此，在實景交通標志的檢測和識別過程中，能夠在保持較高識別準確率的同時減少其識別的時間。

技術領域

本發明涉及一種用于檢測真實道路場景中的各類交通標志，并對檢測出的交通標志進行分類的方法，屬于圖像處理和卷積神經網絡算法技術領域。

背景技術

近年來，隨著居民汽車保有量的迅速增加，自動駕駛技術和輔助駕駛技術受到廣泛關注。其中，交通標志的自動檢測和識別是其重要的組成部分，正確并高效地檢測和識別實景道路中的交通標志是實現自動駕駛的前提基礎。同時，隨著汽車數量的急劇增長，在道路行駛過程中發生交通事故的幾率也明顯增加，交通標志的自動檢測和識別能夠在輔助駕駛系統中為駕駛人起到良好和及時的提醒作用，為駕駛人的人身安全和交通安全提供保障。因此，如何準確高效地識別實景交通標志是目前研究的熱點之一。

卷積神經網絡是一個新的研究方法，近年來在機器學習領域快速發展，目前已在學術界被廣泛關注，并且已經應用于圖像識別問題。卷積神經網絡具有很好的特征學習能力，其所具有的優良特性使其備受關注。

發明內容

本發明的目的是提供一種自動檢測真實道路場景中的各類交通標志、并且對檢測出的交通標志進行分類的方法。

為了達到上述目的，本發明的技術方案是提供了一種基于改進的卷積神經網絡的交通標志檢測方法，其特征在于，包括以下步驟：

第一步、實時獲取交通標志圖像，在實時獲取過程中對交通標志圖像進行圖像預處理，圖像預處理時保留交通標志的三維色彩；

第二步、卷積神經網絡從多個角度提取預處理后的交通標志圖像的不同特征，根據提取的特征，對圖像中包含的交通標志進行檢測和分類，其中，卷積神經網絡包括輸入層、3個卷積層、3個池化層、位于每個池化層后的歸一化層、2個全連接層和1個Softmax輸出層，3個卷積層的卷積核數目為3，卷積核大小均為5*5。

優選地，在所述第一步中，圖像預處理包括圖像濾波、壓縮動態范圍、直方圖均衡化和圖像銳化。

優選地，每個所述池化層中含有兩種池化方式：平均池化和最大值池化，即對卷積層中輸出的每一個特征圖都進行兩次不同的采樣，池化窗口大小均為3*3。

優選地，所述輸入層輸入的交通標志圖像大小為32*32，且交通標志圖像的特征圖在卷積核池化過程中保持32*32大小不變。

優選地，對所述卷積神經網絡的訓練包括以下步驟：

步驟1、設定神經網絡各初始參數，包括非線性的固定卷積層層數、各卷積層濾波器的個數及其初始值、各池化層的窗口大小、全連接層層數及每層神經元個數，構建基本的卷積神經網絡模型；

步驟2、設定模型中的訓練目標最小誤差、學習速率、最大允許訓練步數和小批量數據個數；

步驟3、將數據導入輸入層，遞歸計算網絡輸出；

步驟4、計算輸出誤差，并修改權值。

步驟5、重復步驟1至步驟4，直至誤差在可接受范圍內或超出訓練次數限制。