[發(fā)明專利]一種基于膠囊神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010095806.9
• 申請(qǐng)日: 2020-02-17
• 公開(kāi)（公告）號(hào): CN111428556A
• 公開(kāi)（公告）日: 2020-07-17
• 發(fā)明（設(shè)計(jì)）人: 任條娟;陳友榮;陳鵬;蘇子漪;劉半藤;江俊
• 申請(qǐng)（專利權(quán)）人: 浙江樹(shù)人學(xué)院(浙江樹(shù)人大學(xué))
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/32;G06K9/62;G06T7/11;G06T7/136;G06T7/62;G06T7/90
• 代理公司: 紹興市寅越專利代理事務(wù)所(普通合伙) 33285
• 代理人: 鄧愛(ài)民

本發(fā)明涉及一種基于膠囊神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別方法，采用圖像均衡化、最大穩(wěn)定極值區(qū)域分割、歸一化等方法預(yù)處理圖像，消除運(yùn)動(dòng)模糊、背景干擾、光照以及交通標(biāo)志局部遮擋破損等因素干擾，并分割出感興趣區(qū)域的圖像，可有效提取感興趣區(qū)域圖像，提高弱光條件的查全率，增強(qiáng)魯棒性；引入膠囊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，采用卷積層底層特征，通過(guò)主膠囊層張量向量后封裝成向量化的膠囊單元，采用動(dòng)態(tài)路由聚類和反向傳播更新權(quán)重參數(shù)，實(shí)現(xiàn)模型訓(xùn)練和輸出模型權(quán)重參數(shù)，具有較快的訓(xùn)練速度，且減少訓(xùn)練時(shí)間；最終根據(jù)訓(xùn)練好的模型權(quán)重參數(shù)和動(dòng)態(tài)路由聚類實(shí)現(xiàn)圖像的分類，可有效提高弱光照?qǐng)D片的查全率，提高交通標(biāo)志的識(shí)別率。

技術(shù)領(lǐng)域：

本發(fā)明涉及交通標(biāo)志檢測(cè)和識(shí)別技術(shù)領(lǐng)域，具體涉及一種基于膠囊神經(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)經(jīng)濟(jì)的發(fā)展，汽車已成為世界上使用最多的交通工具，導(dǎo)致交通事故頻發(fā)和交通阻塞日益嚴(yán)重，造成大量的經(jīng)濟(jì)損失。面對(duì)這一問(wèn)題，汽車廠商、學(xué)術(shù)界和政府專家共同努力致力于研發(fā)先進(jìn)的智能交通系統(tǒng)，以改善和加強(qiáng)交通安全，因此智能交通系統(tǒng)迅速發(fā)展，其中道路交通標(biāo)志識(shí)別是智能交通領(lǐng)域中難度較大的問(wèn)題之一。現(xiàn)今的車載系統(tǒng)，交通標(biāo)志的提示大多通過(guò)數(shù)字地圖數(shù)據(jù)獲知，但是該方法只限于有地圖數(shù)據(jù)的一部分道路，而無(wú)法獲知其他情況下的交通標(biāo)志，因此基于人工智能和機(jī)器視覺(jué)的識(shí)別系統(tǒng)擁有大量的需求。近年來(lái)隨著物聯(lián)網(wǎng)、高性能計(jì)算機(jī)和智能移動(dòng)終端的普及與發(fā)展，圖像采集設(shè)備和處理能力的提高，交通標(biāo)志識(shí)別成為了實(shí)景圖像識(shí)別的熱點(diǎn)研究問(wèn)題之一。

在交通標(biāo)志識(shí)別方面，目前部分學(xué)者側(cè)重于研究機(jī)器視覺(jué)領(lǐng)域的特征提取以及分類器等方法，實(shí)現(xiàn)交通標(biāo)志圖像的識(shí)別分類，如戈俠等人針對(duì)圖像特征提取時(shí)由于內(nèi)部噪點(diǎn)的存在造成交通標(biāo)志內(nèi)部指示信息識(shí)別錯(cuò)誤的問(wèn)題，提出了一種自適應(yīng)串行融合特征的識(shí)別方法，該方法計(jì)算交通標(biāo)志圖像中每一小塊的梯度直方圖，得到權(quán)重系數(shù)，選取權(quán)重較大的方向梯度直方圖特征和內(nèi)部局部二值模式特征進(jìn)行自適應(yīng)串行融合特征，最后使用支持向量機(jī)進(jìn)行識(shí)別。Madani A等人針對(duì)交通標(biāo)志圖像特征信息較多導(dǎo)致分類識(shí)別較差的問(wèn)題，提出了一種基于顏色、形狀和圖像文字的交通標(biāo)志識(shí)別方法，可提取交通標(biāo)志邊緣顏色、形狀和圖像文字等圖像特征，使用邏輯門(mén)和支持向量機(jī)分類方法進(jìn)行分類。Abdi L等人針對(duì)提取交通標(biāo)志圖像時(shí)空間特征信息不足的問(wèn)題，提出了一種基于增強(qiáng)空間視覺(jué)詞包的交通標(biāo)志識(shí)別方法。該方法將視覺(jué)詞的出現(xiàn)頻率和圖像空間信息融入到基于視覺(jué)特征的詞袋模型中，改進(jìn)適用于交通標(biāo)志識(shí)別系統(tǒng)的詞袋模型。然而上述方法需要人工設(shè)計(jì)先驗(yàn)知識(shí)的特征，且特征提取較復(fù)雜，需花費(fèi)大量的人力和時(shí)間。

因此部分學(xué)者側(cè)重于研究適用于交通標(biāo)志識(shí)的卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeural Network,CNN)等深度學(xué)習(xí)方法。該方法無(wú)需人工構(gòu)造任何的圖像特征，直接提取整張圖像像素作為網(wǎng)絡(luò)輸入，避免了傳統(tǒng)識(shí)別方法中復(fù)雜的特征提取和數(shù)據(jù)重建過(guò)程，如伍錫如等人針對(duì)在識(shí)別圖像時(shí)由于數(shù)據(jù)集圖像質(zhì)量較差導(dǎo)致識(shí)別效果較差的問(wèn)題，提出了一種基于圖像聚類的CNN交通標(biāo)志識(shí)別方法。該方法優(yōu)化原始數(shù)據(jù)，篩選出高質(zhì)量數(shù)據(jù)，對(duì)樣本進(jìn)行圖像聚類，并使用CNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練識(shí)別交通標(biāo)志圖像。NatarajanS等人針對(duì)卷積神經(jīng)網(wǎng)絡(luò)提取的交通標(biāo)志圖像特征不足導(dǎo)致識(shí)別率不足的問(wèn)題，提出了一種基于加權(quán)多CNN的交通標(biāo)志識(shí)別方法，即訓(xùn)練每個(gè)CNNs，采用加權(quán)分類器優(yōu)化分類結(jié)構(gòu)，從而提高交通標(biāo)志識(shí)別性能。黃娜君等人針對(duì)卷積網(wǎng)絡(luò)提取整張圖像特征時(shí)無(wú)關(guān)特征過(guò)多加大網(wǎng)絡(luò)計(jì)算量的問(wèn)題，提出了一種基于感興趣區(qū)域和CNN的交通標(biāo)志識(shí)別方法。該方法預(yù)處理圖像消除背景環(huán)境干擾，提取交通標(biāo)志感興趣區(qū)域，并使用CNN網(wǎng)絡(luò)訓(xùn)練和識(shí)別交通標(biāo)志圖像。上述方法都使用CNN神經(jīng)網(wǎng)絡(luò)對(duì)交通標(biāo)志圖像進(jìn)行訓(xùn)練和識(shí)別，但是使用連續(xù)的池化層會(huì)丟失空間等部分有價(jià)值信息，導(dǎo)致較難識(shí)別出經(jīng)過(guò)旋轉(zhuǎn)、翻轉(zhuǎn)、平移等變化后的同一張圖像。