[发明专利]基于改进的卷积神经网络的交通标志检测方法

权利要求书

1.一种基于改进的卷积神经网络的交通标志检测方法，其特征在于，包括以下步骤：

第一步、实时获取交通标志图像，在实时获取过程中对交通标志图像进行图像预处理，图像预处理时保留交通标志的三维色彩；

第二步、卷积神经网络从多个角度提取预处理后的交通标志图像的不同特征，根据提取的特征，对图像中包含的交通标志进行检测和分类，其中，卷积神经网络包括输入层、3个卷积层、3个池化层、位于每个池化层后的归一化层、2个全连接层和1个Softmax输出层，3个卷积层的卷积核数目为3，卷积核大小均为5*5。

2.如权利要求1所述的一种基于改进的卷积神经网络的交通标志检测方法，其特征在于，在所述第一步中，图像预处理包括图像滤波、压缩动态范围、直方图均衡化和图像锐化。

3.如权利要求1所述的一种基于改进的卷积神经网络的交通标志检测方法，其特征在于，每个所述池化层中含有两种池化方式：平均池化和最大值池化，即对卷积层中输出的每一个特征图都进行两次不同的采样，池化窗口大小均为3*3。

4.如权利要求1所述的一种基于改进的卷积神经网络的交通标志检测方法，其特征在于，所述输入层输入的交通标志图像大小为32*32，且交通标志图像的特征图在卷积核池化过程中保持32*32大小不变。

5.如权利要求1所述的一种基于改进的卷积神经网络的交通标志检测方法，其特征在于，对所述卷积神经网络的训练包括以下步骤：

步骤1、设定神经网络各初始参数，包括非线性的固定卷积层层数、各卷积层滤波器的个数及其初始值、各池化层的窗口大小、全连接层层数及每层神经元个数，构建基本的卷积神经网络模型；

步骤2、设定模型中的训练目标最小误差、学习速率、最大允许训练步数和小批量数据个数；

步骤3、将数据导入输入层，递归计算网络输出；

步骤4、计算输出误差，并修改权值。

步骤5、重复步骤1至步骤4，直至误差在可接受范围内或超出训练次数限制。