[發(fā)明專利]一種應(yīng)用于交通標志識別的深度卷積神經(jīng)網(wǎng)絡(luò)方法

在審

• 申請?zhí)枺?/td>: 201810358621.5
• 申請日: 2018-04-20
• 公開（公告）號: CN108564048A
• 公開（公告）日: 2018-09-21
• 發(fā)明（設(shè)計）人: 宋麗梅;林文偉;郭慶華
• 申請（專利權(quán)）人: 天津工業(yè)大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.本發(fā)明所設(shè)計的一種應(yīng)用于交通標志識別的深度卷積神經(jīng)網(wǎng)絡(luò)方法，其特征是：對交通標志圖像進行識別分類，步驟如下：

步驟1：選取含有N類交通標志的數(shù)據(jù)集，所述的交通標志數(shù)據(jù)集包含訓(xùn)練圖像X張，測試圖像Y張，將所述的數(shù)據(jù)集的圖像大小統(tǒng)一設(shè)置為3通道像素值為32×32的圖像；

步驟2：深度卷積神經(jīng)網(wǎng)絡(luò)模型的第一層輸入層參數(shù)I₁＝m₁×m₁×n₁，設(shè)置m₁＝32，n₁＝3；

步驟3：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第二層卷積層參數(shù)C₁＝m₂×m₂×n₂，設(shè)置m₂＝7，n₂＝6；

步驟4：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第三層卷積層參數(shù)C₂＝m₃×m₃×n₃，設(shè)置m₃＝5，n₃＝12；

步驟5：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第四層池化層參數(shù)P₁＝m₄×m₄×n₄，設(shè)置m₄＝2，n₄＝1；

步驟6：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第五層池化層參數(shù)C₃＝m₅×m₅×n₅，設(shè)置m₅＝3，n₅＝18；

步驟7：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第六層全連接層輸入?yún)?shù)FI₁＝[(m₁-m₂-m₃+2)/m₄-m₅+1]²×n₅，設(shè)置所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第六層全連接層輸出參數(shù)FO₁＝500；

步驟8：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第七層全連接層輸入?yún)?shù)FI₂＝FO₁，設(shè)置所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第七層全連接層輸出參數(shù)FO₂＝160；

步驟9：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第八層全連接層輸入?yún)?shù)FI₃＝FO₂，所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第八層全連接層輸出參數(shù)為步驟1中所述的N；

步驟10：設(shè)置深度卷積神經(jīng)網(wǎng)絡(luò)模型的激勵函數(shù)，所述的激勵函數(shù)如公式(1)所示；

R(x)＝max(x) 公式(1)

其中，當(dāng)R(x)＞0時，R(x)等于自身，當(dāng)R(x)≤0時，R(x)等于0；

步驟11：設(shè)置深度卷積神經(jīng)網(wǎng)絡(luò)模型的正則化函數(shù)，所述的正則化函數(shù)如公式(2)所示；

其中，C₀表示任意損失函數(shù)，ω表示模型的所有權(quán)值，λ表示正則化函數(shù)；

步驟12：設(shè)置深度卷積神經(jīng)網(wǎng)絡(luò)模型的梯度下降算法，所述的梯度下降算法如公式(3)至公式(7)所示；

m_t＝μ*m_t-1+(1-μ)*g_t 公式(3)

其中，m_t，n_t分別表示對梯度的一階矩估計和二階矩估計，g_t表示梯度，μ，v表示動態(tài)因子，表示m_t，n_t的校正；ε為常數(shù)確保分母不為0，η表示學(xué)習(xí)率，表示對學(xué)習(xí)率的一個動態(tài)約束；

步驟13：將步驟1中的X張訓(xùn)練圖像導(dǎo)入步驟2至步驟12設(shè)置好的深度卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練；

步驟14：將步驟1中的Y張測試圖像導(dǎo)入步驟13中訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)模型進行測試；

步驟15：啟動采集圖像的彩色攝像機，對交通標志進行圖像采集，用步驟14測試好的深度卷積神經(jīng)網(wǎng)絡(luò)模型對所述的彩色攝像機采集到的交通標識進行識別分類，得到分類結(jié)果，識別結(jié)束。