[發明專利]一種基于深度學習和極限學習機的交通標志識別方法

在審

• 申請號: 202010321962.2
• 申請日: 2020-04-22
• 公開（公告）號: CN111461060A
• 公開（公告）日: 2020-07-28
• 發明（設計）人: 李文舉;那馨元;蘇攀
• 申請（專利權）人: 上海應用技術大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/06;G06N3/04;G06N3/08
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 黃超宇;胡晶

1.一種基于深度學習和極限學習機的交通標志識別方法，其特征在于，包括以下步驟：

步驟1：獲取交通標志樣本數據集，按照交叉驗證的方法，按照10：1的比例隨機分為訓練數據集和測試數據集；

步驟2：對數據集進行增強處理，得到分布均勻的訓練樣本集，并通過分布均勻的訓練樣本集訓練神經網絡模型；

步驟3：利用VGG16網絡生成的特征金字塔監測出交通標志；

步驟4：利用極限學習機ELM分類器識別交通標志，利用全連接網絡進行邊界框回歸。

2.根據權利要求1所述的一種基于深度學習和極限學習機的交通標志識別方法，其特征在于，步驟1包括：

以含有一個交通標志的圖片為一個樣本，樣本大小為16×16至250×250，數據集共包含51839張樣本，隨機選取47126張作為訓練集，4713張為測試集，然后對所有樣本進行等大縮放處理。

3.根據權利要求2所述的一種基于深度學習和極限學習機的交通標志識別方法，其特征在于，對樣本進行等大縮放處理的過程為：將樣本圖片利用雙線性差值方法統一縮放至32×32大小。

4.根據權利要求1所述的一種基于深度學習和極限學習機的交通標志識別方法，其特征在于，步驟2中對數據庫進行增強的過程為：使用平移、隨機旋轉、水平翻轉的方法進行數據擴充，使訓練數據集中不同類別的樣本均衡化。

5.根據權利要求1所述的一種基于深度學習和極限學習機的交通標志識別方法，其特征在于，步驟3中VGG16網絡訓練樣本的過程包括：

步驟31：準備訓練樣本集，其中包括正樣本集和負樣本集；

步驟32：手動裁剪樣本；

步驟33：裁剪得到訓練樣本之后，將所有正樣本放在一個文件夾中，將所有負樣本放在一個文件夾中，并將所有訓練樣本縮放到統一尺寸；

步驟34：提取所有正樣本的Hog特征；

步驟35：提取所有負樣本的Hog特征。

6.根據權利要求1所述的一種基于深度學習和極限學習機的交通標志識別方法，其特征在于，步驟4中采用ELM的分類方法，輸出的誤差可以表示為：

其中，j＝1，...N，N為輸入的樣本數，o_M為第j個輸入樣本的預測輸出，t_M為第j個輸入樣本的標簽；

最小化損失函數為：

其中，N表示輸入的樣本數，L為ELM分類器隱層的神經元數，β_L為隱層各神經元的權值，w_L為第j個輸入樣本的權值，x_j為第j個樣本，b_i為隱層第i個神經元的偏置，t_j為對應于第j個輸入樣本的標簽；

ELM模型隱藏層輸出H(x)的計算公式如下：

H(x)＝[h₁(x)，...，h_L(x)]

H(x)是ELM非線性映射的隱藏層輸出矩陣，h_i(x)是第i個隱藏層節點的輸出，隱藏層節點的輸出函數不是唯一的，不同的輸出函數可以用于不同的隱藏層神經元，通常，在實際應用中，h_i(x)如下表示：

h_i(x)＝g(w_i，b_i，x)＝g(w_i·x+b_i)，w_i∈R^D，b_i∈R

其中，g(w_i，b_i，x)是激活函數。

7.根據權利要求1所述的一種基于深度學習和極限學習機的交通標志識別方法，其特征在于，步驟4中，訓練ELM分類器過程如下：

步驟41：輸入訓練樣本的特征，使用sigmoid函數作為激活函數，表示為：

步驟42：隨機生成隱含層參數(w，b)；

步驟43：計算隱含層輸出矩陣H；

步驟44：計算輸出權值β；

β＝[β₁，…，β_L]^T

步驟45：計算輸出向量T；

T＝[t₁，…，t_L]^T。