[发明专利]基于HOG特征和BCNN的交通标识牌检测

权利要求书

1.一种基于HOG特征和BCNN的交通标识牌检测方法，其特征在于，该方法包括：

(1)获取交通标识牌样本；

(2)提取图像的HOG特征；

(3)基于HOG特征训练级联分类器检测出候选窗口；

(4)针对候选窗口存在的误检情况设计BCNN网络；

(5)把BCNN作为级联分类器的最后一级，将候选窗口作为推荐窗口输入BCNN消除误检。

2.如权利要求1所述的方法，其特征在于，所述步骤(2)进一步包括：

归一化步骤，对输入图像进行灰度化和Gamma校正以降低图像局部的阴影和光照变化，Gamma校正为

I(x，y)＝I(x，y)^Gamma

式中Gamma取0.5；

图像梯度计算步骤，计算图像横坐标和纵坐标方向的梯度，并根据梯度计算每个像素位置的梯度方向值，图像中像素点(x，y)的梯度为：

G_x(x，y)＝I(x+1，y)-I(x-1，y)

G_y(x，y)＝I(x，y+1)-I(x，y-1)

式中G_x(x，y)、G_y(x，y)和I(x，y)分别是输入图像中像素点(x，y)处的水平方向梯度、垂直方向梯度和像素值，像素点(x，y)处的梯度幅值和梯度方向分别为：

细胞单元的梯度方向直方图构建步骤，将图像划分成细胞单元，统计每个细胞单元的梯度直方图，形成每个细胞单元的特征描述子；

块内归一化梯度直方图步骤，将每几个细胞单元组成一个块，一个块内所有细胞单元的特征描述子串联得到该块的HOG特征描述子；

收集HOG特征步骤，将图像内所有块的HOG特征描述子串联得到图像的HOG特征描述子，把图像的HOG特征描述子作为分类使用的特征向量。

3.如权利要求1所述的方法，其特征在于，所述步骤(3)进一步包括：

基于提取的图像的HOG特征，训练级联分类器，利用训练好的模型检测出标识牌区域的候选窗口ROIs。

4.如权利要求1所述的方法，其特征在于，所述步骤(4)进一步包括：

BCNN布尔型卷积神经网络由2个卷积层、2个池化层和2个全连接层组成；

对于卷积层与全连接层的参数设计，卷积核的大小分别为5*5、3*3，输出特征图的个数分别为16、32，卷积层的计算公式如下所示：

其中，表示第1卷积层的第j个feature map，f(·)表示激活函数，M_j表示输入featuremap的集合，k表示卷积核，b表示偏置项；两个全连接层输出神经元数分别为100、2，其中最后一个全连接层神经元数为2的是输出softmax的类别数。

5.如权利要求1所述的方法，其特征在于，步骤(5)中：

BCNN的训练过程包括前向传播与反向传播两个过程，利用梯度下降法对权重和偏置进行更新，公式如下：

其中，J(W，b)为单个样本的代价函数，α为学习速率；

采用caffe框架提供的inv方式调整学习率，表达式如下：

lr＝base_lr*(1+gamma*iter)^(power)

其中，base_lr为基础学习率，gamma为学习速率变化因子，iter为迭代次数。

6.如权利要求5所述的方法，其特征在于，所述步骤(5)进一步包括：

把BCNN作为级联分类器的最后一级，将输出的候选窗口ROIs输入BCNN布尔型卷积神经网络进行训练，利用训练的模型进行优化消除误检的候选窗口ROIs。