[發(fā)明專利]基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910021739.3
• 申請(qǐng)日: 2019-01-10
• 公開(kāi)（公告）號(hào): CN109635784A
• 公開(kāi)（公告）日: 2019-04-16
• 發(fā)明（設(shè)計(jì)）人: 吳建;易億;王梓權(quán)
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06K9/46
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明涉及一種基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別方法，該方法以實(shí)際行車環(huán)境中的車載攝像頭拍攝的交通標(biāo)志圖像為實(shí)驗(yàn)基礎(chǔ)，構(gòu)建出卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)其進(jìn)行識(shí)別。首先給交通標(biāo)志圖像做預(yù)處理操作，使模型能夠得到充分訓(xùn)練，且增加模型的泛化能力；其次使用批量歸一化方法(Batch Normalization，BN)來(lái)加快網(wǎng)絡(luò)訓(xùn)練速度；最后通過(guò)SVM分類器對(duì)提取到的特征進(jìn)行分類。使用本發(fā)明的技術(shù)方案對(duì)實(shí)際車載環(huán)境中取得的交通標(biāo)志圖像進(jìn)行識(shí)別，能夠取得非常高的正確率，同時(shí)網(wǎng)絡(luò)模型訓(xùn)練時(shí)間較短，還能夠在極短的時(shí)間內(nèi)識(shí)別出交通標(biāo)志。

技術(shù)領(lǐng)域

本發(fā)明涉及交通標(biāo)志圖像識(shí)別領(lǐng)域，尤其涉及一種基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別方法。

背景技術(shù)

隨著社會(huì)的快速發(fā)展，全球汽車數(shù)量也急劇增加，給道路交通帶來(lái)了極大的壓力，特別是在大城市中，龐大的汽車數(shù)量導(dǎo)致交通阻塞經(jīng)常發(fā)生，給人們生活帶來(lái)了極大的不便。此外，由于很多地方路況比較復(fù)雜，駕駛員經(jīng)常由于對(duì)交通標(biāo)志牌的疏忽而發(fā)生交通事故，全球每年交通事故帶來(lái)了巨大的損失和人員傷亡。因此，近年來(lái)輔助駕駛技術(shù)和自動(dòng)駕駛技術(shù)受到了國(guó)內(nèi)外研究人員的廣泛關(guān)注。其中，交通標(biāo)志自動(dòng)識(shí)別技術(shù)是其重要的組成部分，由于交通標(biāo)志自動(dòng)識(shí)別技術(shù)是應(yīng)用在實(shí)際的行車環(huán)境中，這樣對(duì)于交通標(biāo)志識(shí)別系統(tǒng)，不僅要求極高的正確率，還需要在極短的時(shí)間內(nèi)對(duì)交通標(biāo)志識(shí)別出來(lái)，這也是研究人員需要突破的難點(diǎn)。

近年來(lái)卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域取得了巨大的成就，相對(duì)于傳統(tǒng)的圖像識(shí)別方法，卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)到圖片的特征，不需要人為的設(shè)計(jì)合適的區(qū)分算法，設(shè)計(jì)好合理的卷積神經(jīng)網(wǎng)絡(luò)就能夠在極短的時(shí)間內(nèi)對(duì)交通標(biāo)志進(jìn)行識(shí)別，并取得非常高的識(shí)別率。

發(fā)明內(nèi)容

本發(fā)明的目的是提出一種能夠?qū)?shí)際行車環(huán)境中采集的交通標(biāo)志圖像進(jìn)行快速、準(zhǔn)確的分類方法。

為實(shí)現(xiàn)上述目的，本發(fā)明設(shè)計(jì)了一個(gè)改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)交通標(biāo)志圖像進(jìn)行識(shí)別，其主要步驟如下：

步驟1，將實(shí)際行車環(huán)境中采集的交通標(biāo)志圖像作為本發(fā)明所設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練樣本和測(cè)試樣本，并對(duì)采集到的原始交通標(biāo)志圖像做預(yù)處理操作。

步驟2，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)處理后的交通標(biāo)志圖像進(jìn)行特征提取，其中，卷積神經(jīng)網(wǎng)絡(luò)包括輸入層、3個(gè)卷積層和3個(gè)池化層交替連接和2個(gè)全連接層。

步驟3，將提取的圖片特征輸入到SVM中進(jìn)行分類。

優(yōu)選地，步驟1中，訓(xùn)練樣本和測(cè)試樣本預(yù)處理步驟包括：

對(duì)訓(xùn)練和測(cè)試樣本進(jìn)行圖像增強(qiáng)操作，增強(qiáng)圖片對(duì)比度。

對(duì)訓(xùn)練和測(cè)試樣本灰度化處理，簡(jiǎn)化卷積操作，降低卷積神經(jīng)網(wǎng)絡(luò)模型復(fù)雜度。

對(duì)訓(xùn)練和測(cè)試樣本尺寸做歸一化處理。

將訓(xùn)練樣本進(jìn)行簡(jiǎn)單的數(shù)據(jù)集擴(kuò)展，讓模型得到充分訓(xùn)練。

優(yōu)選地，步驟2中，卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括：

第一個(gè)卷積層卷積核大小為5*5，且卷積核個(gè)數(shù)為60個(gè)，第二、三個(gè)卷積層卷積核大小均為3*3，且卷積核個(gè)數(shù)分別為90個(gè)和108個(gè)。

三個(gè)池化層的池化窗口大小均為2*2，選擇最大池化。

兩個(gè)全連接層都含有1024個(gè)神經(jīng)元。

優(yōu)選地，對(duì)上述設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練步驟如下：

步驟1，設(shè)置卷積神經(jīng)網(wǎng)絡(luò)各層的初始參數(shù)，包括各層卷積核大小、卷積核個(gè)數(shù)、池化窗口大小、池化步長(zhǎng)、卷積層權(quán)值及偏置和全連接層神經(jīng)元個(gè)數(shù)，完成基本模型的構(gòu)建；

步驟2，設(shè)定卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練學(xué)習(xí)率、目標(biāo)最小誤差、允許最大訓(xùn)練步數(shù)和mini-batch；