[發(fā)明專利]基于深度學(xué)習的復(fù)雜天氣道路場景識別系統(tǒng)的設(shè)計方法

在審

• 申請?zhí)枺?/td>: 202011020963.X
• 申請日: 2020-09-25
• 公開（公告）號: CN112364686A
• 公開（公告）日: 2021-02-12
• 發(fā)明（設(shè)計）人: 馬欣欣;宋博
• 申請（專利權(quán)）人: 江蘇師范大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

基于深度學(xué)習的復(fù)雜天氣道路場景識別系統(tǒng)的設(shè)計方法，包括步驟1)獲取道路圖像數(shù)據(jù)集；步驟2)對數(shù)據(jù)集進行預(yù)處理；步驟3)將數(shù)據(jù)集按照一定比例分成訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；步驟4)用殘差網(wǎng)絡(luò)ResNet?50對SSD模型進行修改；步驟5)用訓(xùn)練數(shù)據(jù)集對網(wǎng)絡(luò)進行訓(xùn)練；步驟6)用測試數(shù)據(jù)集對訓(xùn)練后的網(wǎng)絡(luò)進行測試；步驟7)更新參數(shù)，提高模型準確率；本發(fā)明利用殘差網(wǎng)絡(luò)ResNet?50對SSD目標檢測算法進行修改，替代其原本的特征提取網(wǎng)絡(luò)，提高檢測精度，使其具有令人滿意的檢測效果。

技術(shù)領(lǐng)域：本發(fā)明涉及一種基于深度學(xué)習方法的復(fù)雜天氣道路場景識別系統(tǒng)的設(shè)計方法，屬于智能識別技術(shù)領(lǐng)域。

背景技術(shù)：

殘差網(wǎng)絡(luò)是由一系列殘差塊組成的，殘差塊分成兩部分直接映射部分和殘差部分。一般由兩個或者三個卷積操作構(gòu)成。隨著網(wǎng)絡(luò)深度增加,普通的神經(jīng)網(wǎng)絡(luò)會出現(xiàn)一種退化問題,也就是當網(wǎng)絡(luò)變得越來越深的時候,訓(xùn)練的準確率會趨于平緩,但是訓(xùn)練誤差會變大,這明顯不是過擬合造成的,因為過擬合是指網(wǎng)絡(luò)的訓(xùn)練誤差會不斷變小,但是測試誤差會變大。為了解決這種退化現(xiàn)象,ResNet被提出，殘差網(wǎng)絡(luò)與普通網(wǎng)絡(luò)不同的地方就是引入了跳躍連接,這可以使上一個殘差塊的信息沒有阻礙的流入到下一個殘差塊,提高了信息流通,并且也避免了由與網(wǎng)絡(luò)過深所引起的消失梯度問題和退化問題。

SSD，全稱Single Shot MultiBox Detector，是Wei Liu在ECCV 2016上提出的一種目標檢測算法，截至目前是主要的檢測框架之一，相比Faster RCNN有明顯的速度優(yōu)勢，相比YOLO又有明顯的mAP優(yōu)勢，SSD主要特點：1)從YOLO中繼承了將detection轉(zhuǎn)化為regression的思路，一次完成目標定位與分類，2)基于Faster RCNN中的Anchor，提出了相似的Prior box；3)加入基于特征金字塔(Pyramidal Feature Hierarchy)的檢測方式，即在不同感受野的feature map上預(yù)測目標

目前，對于道路場景的識別的系統(tǒng)設(shè)計有很多，但是，如何在復(fù)雜天氣環(huán)境條件下保持高識別精度還是一大難題。

發(fā)明內(nèi)容：

本發(fā)明的目的就在于通過基于深度學(xué)習的道路場景識別系統(tǒng)的設(shè)計方法，來識別在復(fù)雜天氣下的道路場景，通過對SSD目標檢測算法的的改進。以達到高準確率。

本發(fā)明通過以下技術(shù)方案來實現(xiàn)上述目的：基于深度學(xué)習的復(fù)雜天氣道路場景識別系統(tǒng)的設(shè)計方法，包括以下步驟：

步驟1)獲取道路圖像數(shù)據(jù)集；

步驟2)對數(shù)據(jù)集進行預(yù)處理；

步驟3)將數(shù)據(jù)集按照一定比例分成訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；

步驟4)用殘差網(wǎng)絡(luò)ResNet-50對SSD模型進行修改；

步驟5)用訓(xùn)練數(shù)據(jù)集對網(wǎng)絡(luò)進行訓(xùn)練；

步驟6)用測試數(shù)據(jù)集對訓(xùn)練后的網(wǎng)絡(luò)進行測試；

步驟7)更新參數(shù)，提高模型準確率；

進一步的，對圖象的預(yù)處理方法具體包括：具體包括對收集的數(shù)據(jù)集進行放射變換，模糊處理，亮度變換等操作，進而來模擬復(fù)雜天氣道路場景，提高數(shù)據(jù)集的豐富程度。

進一步的，所述步驟3)具體包括，對數(shù)據(jù)集進行劃分，訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集的分配比例為80％和20％。

進一步的，對模型的修改具體包括：

搭建傳統(tǒng)的SSD目標檢測模型；

傳統(tǒng)的SSD模型的提取網(wǎng)絡(luò)為VGG網(wǎng)絡(luò)，用殘差網(wǎng)絡(luò)ResNet-50替換VGG網(wǎng)絡(luò)；

用改造后的網(wǎng)絡(luò)對數(shù)據(jù)集進行特征提取；

進一步的，改進模型的訓(xùn)練過程：