[發(fā)明專利]一種基于深度學(xué)習(xí)和極限學(xué)習(xí)機(jī)的交通標(biāo)志識別方法

在審

• 申請?zhí)枺?/td>: 202010321962.2
• 申請日: 2020-04-22
• 公開（公告）號: CN111461060A
• 公開（公告）日: 2020-07-28
• 發(fā)明（設(shè)計(jì)）人: 李文舉;那馨元;蘇攀
• 申請（專利權(quán)）人: 上海應(yīng)用技術(shù)大學(xué)
• 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(chǎn)權(quán)代理有限公司 31236
• 代理人: 黃超宇;胡晶

本發(fā)明公開了一種基于深度學(xué)習(xí)和極限學(xué)習(xí)機(jī)的交通標(biāo)志識別方法，包括以下步驟：步驟1：獲取交通標(biāo)志樣本數(shù)據(jù)集，按照交叉驗(yàn)證的方法，按照10：1的比例隨機(jī)分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；步驟2：對數(shù)據(jù)集進(jìn)行增強(qiáng)處理，得到分布均勻的訓(xùn)練樣本集，并通過分布均勻的訓(xùn)練樣本集訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；步驟3：利用VGG16網(wǎng)絡(luò)生成的特征金字塔監(jiān)測出交通標(biāo)志；步驟4：利用極限學(xué)習(xí)機(jī)ELM分類器識別交通標(biāo)志，利用全連接網(wǎng)絡(luò)進(jìn)行邊界框回歸。本發(fā)明是基于VGG16網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行交通標(biāo)志的檢測，并采用極限學(xué)習(xí)機(jī)進(jìn)行交通標(biāo)志的識別；在德國公共數(shù)據(jù)集上有較好的檢測與識別表現(xiàn)，且對不同類型的標(biāo)志均有較快的檢測與識別速度。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像識別領(lǐng)域，特別涉及一種基于深度學(xué)習(xí)和極限學(xué)習(xí)機(jī)的交通標(biāo)志識別方法。

背景技術(shù)

交通標(biāo)志識別是對道路上的交通標(biāo)志牌進(jìn)行檢測與識別，是先進(jìn)輔助駕駛和無人駕駛中的關(guān)鍵技術(shù)，是模式識別領(lǐng)域中的研究熱點(diǎn)，具有重要的理論意義和實(shí)際意義。

交通標(biāo)志識別要解決的關(guān)鍵問題是識別精度與實(shí)時(shí)性，它涉及到兩項(xiàng)關(guān)鍵技術(shù)，即交通標(biāo)志牌檢測和交通標(biāo)志牌識別。交通標(biāo)志牌檢測作為交通標(biāo)志識別的第一個(gè)關(guān)鍵步驟，由于其類型不同、尺寸較小、場景復(fù)雜、光照、天氣、遮擋、運(yùn)動(dòng)模糊等，一直是一個(gè)具有挑戰(zhàn)性的問題。交通標(biāo)志牌識別由于種類繁多、顏色失真、形狀失真、尺寸變化、磨損、遮擋等，也是一個(gè)難點(diǎn)問題。

本文提出一種基于深度學(xué)習(xí)和極限學(xué)習(xí)機(jī)的交通標(biāo)志識別算法。由于深度卷積神經(jīng)網(wǎng)絡(luò)對各種復(fù)雜因素具有魯棒性，極限學(xué)習(xí)機(jī)算法具有快速性、泛化性好的特點(diǎn)，所以將二者結(jié)合起來，利用深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行交通標(biāo)志牌檢測，利用極限學(xué)習(xí)機(jī)(ELM)技術(shù)設(shè)計(jì)分類器進(jìn)行交通標(biāo)志牌識別，期望能夠解決交通標(biāo)志識別的識別精度與實(shí)時(shí)性問題。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)中的不足，本發(fā)明提供一種基于深度學(xué)習(xí)和極限學(xué)習(xí)機(jī)的交通標(biāo)志識別方法，能夠提高檢測的準(zhǔn)確性和識別的實(shí)時(shí)性。

為了達(dá)到上述發(fā)明目的，解決其技術(shù)問題所采用的技術(shù)方案如下：

一種基于深度學(xué)習(xí)和極限學(xué)習(xí)機(jī)的交通標(biāo)志識別方法，包括以下步驟：

步驟1：獲取交通標(biāo)志樣本數(shù)據(jù)集，按照交叉驗(yàn)證的方法，按照10：1的比例隨機(jī)分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；

步驟2：對數(shù)據(jù)集進(jìn)行增強(qiáng)處理，得到分布均勻的訓(xùn)練樣本集，并通過分布均勻的訓(xùn)練樣本集訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；

步驟3：利用VGG16網(wǎng)絡(luò)生成的特征金字塔監(jiān)測出交通標(biāo)志；

步驟4：利用極限學(xué)習(xí)機(jī)ELM分類器識別交通標(biāo)志，利用全連接網(wǎng)絡(luò)進(jìn)行邊界框回歸。

進(jìn)一步的，步驟1包括：以含有一個(gè)交通標(biāo)志的圖片為一個(gè)樣本，樣本大小為16×16至250×250，數(shù)據(jù)集共包含51839張樣本，隨機(jī)選取47126張作為訓(xùn)練集，4713張為測試集，然后對所有樣本進(jìn)行等大縮放處理。

進(jìn)一步的，對樣本進(jìn)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(tǒng)一縮放至32×32大小。

進(jìn)一步的，步驟2中對數(shù)據(jù)庫進(jìn)行增強(qiáng)的過程為：使用平移、隨機(jī)旋轉(zhuǎn)、水平翻轉(zhuǎn)的方法進(jìn)行數(shù)據(jù)擴(kuò)充，使訓(xùn)練數(shù)據(jù)集中不同類別的樣本均衡化。

進(jìn)一步的，步驟3中VGG16網(wǎng)絡(luò)訓(xùn)練樣本的過程包括：

步驟31：準(zhǔn)備訓(xùn)練樣本集，其中包括正樣本集和負(fù)樣本集；

步驟32：手動(dòng)裁剪樣本；

步驟33：裁剪得到訓(xùn)練樣本之后，將所有正樣本放在一個(gè)文件夾中，將所有負(fù)樣本放在一個(gè)文件夾中，并將所有訓(xùn)練樣本縮放到統(tǒng)一尺寸；

步驟34：提取所有正樣本的Hog特征；