[發明專利]基于改進的卷積神經網絡的交通標志識別方法

在審

• 申請號: 201910021739.3
• 申請日: 2019-01-10
• 公開（公告）號: CN109635784A
• 公開（公告）日: 2019-04-16
• 發明（設計）人: 吳建;易億;王梓權
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06K9/46
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于改進的卷積神經網絡的交通標志識別方法，其特征在于：

首先對實際行車環境中采集的交通標志圖像做預處理操作，然后利用本發明設計卷積神經網絡模型對預處理后的交通標志圖像進行特征提取，最后將提取到的圖像特征輸入到SVM分類器中進行最后的分類，包括以下步驟：

步驟1，將實際行車環境中采集的交通標志圖像作為本發明所設計的卷積神經網絡模型訓練樣本和測試樣本，并對采集到的原始交通標志圖像做預處理操作；

步驟2，利用卷積神經網絡對預處理后的交通標志圖像進行特征提取，其中，卷積神經網絡包括輸入層、3個卷積層和3個池化層交替連接和2個全連接層；

步驟3，將提取的圖片特征輸入到SVM中進行分類。

2.根據權利要求1所述的一種基于改進的卷積神經網絡的交通標志識別方法，其特征在于，所述步驟1中，訓練樣本和測試樣本預處理包括：

對訓練和測試樣本進行圖像增強操作，對交通標志圖像做直方圖均衡化處理，增強圖片對比度，使圖像特征更加明顯；

對訓練和測試樣本灰度化處理，簡化卷積操作，降低卷積神經網絡模型復雜度；

對訓練和測試樣本尺寸做歸一化處理，圖片尺寸大小統一為48*48；

將訓練樣本進行簡單的數據集擴展，主要有兩種方式，第一以圖片中心為原點分別逆時針和順時針旋轉8度，第二分別將圖片向左和向右平移4個像素點，這樣圖片的一側會有4像素的空余部分，將空余部分去除然后將圖片橫向拉伸回48*48大小；這樣不僅增加了訓練數據集的大小，讓模型得到充分訓練，還可以增加模型的泛化能力。

3.根據權利要求1所述的一種基于改進的卷積神經網絡的交通標志識別方法，其特征在于，所述步驟2中，3層卷積層卷積核大小分別為5*5、3*3和3*3，且步長都為1，在第三層卷積時對特征圖邊緣增補1。

4.根據權利要求1所述的一種基于改進的卷積神經網絡的交通標志識別方法，其特征在于，所述步驟2中，3層池化層池化窗口大小均為2*2，步長均為2，都采用最大池化。

5.根據權利要求1所述的一種基于改進的卷積神經網絡的交通標志識別方法，其特征在于，所述步驟2中，卷積層使用的激活函數均為ReLU函數。

6.根據權利要求1所述的一種基于改進的卷積神經網絡的交通標志識別方法，其特征在于，所述步驟2中，三層卷積層卷積核個數分別為60、90和108。

7.根據權利要求1所述的一種基于改進的卷積神經網絡的交通標志識別方法，其特征在于，網絡模型訓練過程如下：

步驟1，設置卷積神經網絡各層的初始參數，包括各層卷積核大小、卷積核個數、池化窗口大小、池化步長、卷積層權值及偏置和全連接層神經元個數，完成基本模型的構建；

步驟2，設定卷積神經網絡模型訓練學習率、目標最小誤差、允許最大訓練步數和mini-batch；

步驟3，將預處理后的訓練數據輸入到卷積神經網絡模型的輸入層，計算網絡輸出；

步驟4，計算輸出誤差，通過反向傳播算法更新權值；

步驟5，重復上述步驟1到步驟4，直至輸出誤差在設定的目標最小誤差內或訓練次數超過最大訓練步數。