[发明专利]一种基于快速二分卷积神经网络的层次化交通标识识别方法

说明书

本发明属于计算机应用及计算视觉技术领域，提供了一种基于快速二分卷积神经网络的层次化交通标识识别方法。本发明设计了快速二分卷积神经网络结构以缓解卷积过程的计算量大与耗时问题，并提出了基于快速卷积神经网络的层次化分类算法。具体应用上，在粗分类阶段，首先对交通标识图像进行预处理得到感兴趣区域，然后将感兴趣区域输入到快速二分卷积神经网络粗分为若干大类；在细分类阶段，针对各类的特点对交通标识进行再次预处理，对处理后的标识进一步利用快速二分卷积网络进行细分类得出最终结果。结果表明，提出的算法不仅具有较高的分类正确率，同时具有较快的处理速度，更加适用于实时性要求较高的交通标识识别系统。

技术领域

本发明属于计算机应用及计算视觉技术领域，涉及一种卷积神经网络的改进结构及其在交通标识识别问题的应用。本发明提出了一种基于快速二分卷积神经网络的层次化交通标识识别方法。主要创新在于设计了快速二分卷积神经网络结构以缓解卷积过程的计算量大与耗时问题。进而基于该网络结构提出了层次化交通标识识别方法，该方法不仅具有较高的分类正确率，同时具有较快的处理速度，更加适用于实时性要求较高的交通标识识别系统。

背景技术

交通标识是一种具有显著的颜色和形状特征的公共标识，对驾驶员起到指示、提示和警示等作用，是智能交通系统的一个重要组成部分。在实际驾驶中，及时准确地识别交通标识对减轻驾驶员行车压力、提高道路交通安全有着重要的作用。尤其在复杂道路环境下，比如，十字路口、闹市区、道路施工等，忽视交通标识就很可能造成交通事故。而对于无人驾驶车辆，能否准确及时地检测和识别交通信息，是直接衡量整个系统是否能够实现自动控制的重要指标。此外，交通标识检测与识别的相关技术还可以应用到其他领域，比如自动巡航控制、智能机器人等。然而，真实环境下的交通情况复杂多变，光照强度、天气因素、局部遮挡、视角倾斜等问题使得交通标识识别系统的研究面临许多困难。本发明在调研国内外相关研究的基础上，提出了一种基于快速二分卷积神经网络的层次化交通标识识别方法。

目前，交通标识识别(Traffic Sign Recognition,TSR)系统主要是通过安装在车辆上的摄像机采集道路上的交通标识信息，传送到图像处理模块进行标识检测和识别，之后系统将根据识别的结果做出不同的应对措施。交通标识检测与识别往往是在复杂的室外交通环境，且在汽车行驶的过程中进行，属于运动目标识别问题，它比一般的非自然场景下的目标识别更具挑战性，需要应对更多可能出现的不利情况，其困难主要表现在以下几个方面：(1)复杂多变的光照条件给交通标识的检测和识别带来困难；(2)背景环境干扰使得在标识检测过程中不易发现标识区域；(3)多交通标识的连续排列增加了标识的定位分割难度；(4)交通标识遮挡增加了检测和识别的难度；(5)交通标识位置倾斜导致收集到的图像会出现形变影响识别；(6)实时性要求高，要求设计的算法在提高检测和识别准确率的同时具有较高的实时性。

受制于在移动设备端或者嵌入式设备端的有限的软硬件环境，交通标识检测和识别技术还有很多难点和困难需要克服。目前，交通标识的检测和识别算法在准确率和实时性方面很难同时达到有效的突破。识别精度比较高的算法，往往训练时间和识别时间比较长，很难满足实际应用的实时性需求；而运行速度较快的算法，通常识别准确率有所不足，或者需要经过大量的前期人工处理，或者检测和识别的标识范围有限，同样影响算法的实用性。卷积神经网络具有对二维图像位置平移、比例缩放、倾斜或者共他形式变形的高度不变性的优点，在图像识别、语音识别以及交通标识识别等领域已经取得成功。但是卷积神经网络由于具有深层的结构，模型训练和模式识别过程都比较耗时，这对实时性要求较高的交通标识识别系统来说是一个严重的缺陷。

因此，本发明提出了一种快速二分卷积神经网络的层次化交通标识识别方法，与传统的卷积神经网络相比，该方法在提取同等数量特征的情况下，具有较高的识别精度的同时，能够显著降低运行时间。

发明内容

本发明要解决的技术问题是如何利用卷积神经网络解决交通标识识别问题，其关键点在于对卷积神经网络进行改进以克服卷积过程的计算量大与耗时问题，从而提高实时性，难点在于如何在提高实时性的同时仍保证高的识别精度。