[发明专利]一种基于单个深层卷积神经网络的路牌检测方法

说明书

技术领域

本发明涉及基于计算机的图像处理技术，尤其涉及一种基于单个深层卷积神经网络的路牌识别方法。

背景技术

在过去的几十年里，人们对汽车的使用越来越频繁，同时也导致很多的安全问题。包括激光测距仪、GPS和计算机视觉在内的感测技术在驾驶辅助系统和自动驾驶车辆中发挥了很大的作用。在安全驾驶中，能正确识别交通信息是非常重要的环节。为了能使驾驶者注意到路牌，采用了鲜艳的颜色和简单的形状。然而，这并不能解决问题，驾驶者非常容易忽略道路两旁的路牌。因此，路牌的检测算法的到了发展，在很大程度上解决了问题。现在，基于深度学习的路牌检测算法是研究热点之一。

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Hubel等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。

检测算法一直是学者研究的一个热点。自从2014年基于卷积神经网络特征的区域检测算法的提出，检测算法得到了迅速地发展。许多基于深度学习的检测算法被提出，这些算法都获得很高的精度，但是其网络结构相当复杂，且计算速度慢。基于单个深层卷积神经网络的路牌识别方法，其网络结构简单，运算速度快，且检测精度。

现有的方法中，基于全卷积神经网络方法的检测精度不高，基于区域建议网络(RoI)的区域卷积神经网络(R-CNN)的检测速度慢，因此，本发明公开了一种基于单个深层卷积神经网络(SSD)的路牌检测方法，利用单个深层卷积神经网络，对路牌进行检测，提高了路牌检测的鲁棒性。该方法包括：第一步是构建前向传播的卷积神经网络；第二步是对路牌数据进行数据增广；第三步是对单个深层卷积神经网络进行训练；第四步是检测时利用极大值抑制进行预测；最后输出检测结果。

发明内容

本发明所要解决的技术问题是增强路牌检测的鲁棒性，提高路牌检测的正确率。

为了解决上述技术问题，本发明提供一种基于单个深层卷积神经网络的路牌检测方法，用于路牌检测上；该方法包括：

构建前向传播的卷积神经网络；

将产生的默认框与目标框进行匹配；

对单个深层卷积神经网络进行训练；

测试时利用非极大值抑制算法进行预测；

输出路牌的检测结果。

其中，根据所述对路牌数据进行数据增广，包括：

随机采样一个路径；

路径的大小为原始图像的[0.1，1]，纵横比为[0.5，1]；

目标框的中心在路径范围内，则保留重叠部分；

将每个采样的路径设置为相同大小，并以0.5的概率对其进行水平翻转。

其中，根据所述构造单个深层卷积神经网络，包括：

采用VGG-16图像分类模型作为基础网络；

添加逐渐减小的5层卷积层；

设置1层池化层。

其中，将对单个深层卷积神经网络进行训练，包括：

利用最佳杰卡德重叠将目标框和默认框进行匹配；

将负样本按照置信度进行排序；

计算总的目标损失函数；

计算默认框的大小以及纵横比；

每个目标框与唯一一个默认框配对。

其中，利用极大值抑制对路牌进行检测，包括：

将目标框和默认框进行匹配；

当损失函数的值小于设定的阈值时，网络输出特征图；

计算默认框的宽度、高度和中心点；

利用极大值抑制算法进行路牌检测。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1为本申请实施例的基于单个深层卷积神经网络的路牌检测方法的流程示意图。

图2为本申请实施例对路牌数据进行数据增广的流程示意图。

图3为本申请实施例构造单个深层卷积神经网络的流程示意图。

图4为单个深层卷积神经网络的结构示意图。

图5为本申请实施例对单个深层卷积神经网络进行训练的流程示意图。

图6为本申请实施例利用极大值抑制对路牌进行检测的流程示意图。

具体实施方式