[发明专利]一种多尺度反卷积神经网络的交通标志实时检测识别方法在审
| 申请号： | 201810617284.7 | 申请日： | 2018-06-15 |
| 公开（公告）号： | CN108898078A | 公开（公告）日： | 2018-11-27 |
| 发明（设计）人： | 裴颂文;汤福武 | 申请（专利权）人： | 上海理工大学 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/46;G06K9/62 |
| 代理公司： | 北京纪凯知识产权代理有限公司 11245 | 代理人： | 陆惠中;王永伟 |
| 地址： | 200093 *** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 特征图 交通标志 反卷积 卷积 神经网络 实时检测 多尺度 计算机应用技术 多尺度检测 底层特征 横向连接 机器学习 类别信息 特征信息 图片特征 上采样 小目标 子领域 融合 顶层 检测 池化 拼接 视频 采集 应用 | ||
1.一种多尺度反卷积神经网络的交通标志实时检测识别方法，其特征在于，包括以下步骤：
S1：采集交通标志照片或视频；
S2：输入CRN模型，经过卷积和池化，提取图片特征信息；
S3：将CRN模型的最后一层特征图作为MFPN模型的输入，经过卷积形成多个特征图，再经过反卷积对不同特征图进行融合；
S4：将MFPN模型的最后一层特征图，经过卷积，形成多个特征图；
S5：对多个特征图进行拼接；
S6：经过多尺度检测，得到交通标志的位置信息和类别信息。
2.根据权利要求1所述的多尺度反卷积神经网络的交通标志实时检测识别方法，其特征在于，所述步骤S2具体包括：
S21：对照片或视频进行预处理，输出像素大小一致的图片；
S22：经过池化，使图片像素缩小一半；
S23：做步长为1的两次卷积，提取特征图；
S24：经过池化，使图片像素缩小一半；
S25：做步长为1的两次卷积，提取特征图；
S26：经过池化，使图片像素缩小一半；
S27：做步长为1的两次卷积，再做步长为2的一次卷积，提取特征图。
3.根据权利要求1所述的多尺度反卷积神经网络的交通标志实时检测识别方法，其特征在于，所述步骤S3具体包括：
S31：做步长为2的m+1次卷积，形成像素大小为n×n、2n×2n、4n×4n、8n×8n、…、2mn×2mn等多个特征图(n为正整数，m为正整数)；
S32：对像素大小为n×n的特征图做步长为2的反卷积，然后与步骤S31的像素大小为2n×2n的特征图相融合，得到像素大小为2n×2n的特征图；
S33：对步骤S32所得到的像素大小为2n×2n的特征图做步长为2的反卷积，然后与步骤S31的像素大小为4n×4n的特征图相融合，得到像素大小为4n×4n的特征图；
S34：对步骤S33所得到的像素大小为4n×4n的特征图做步长为2的反卷积，然后与步骤S31的像素大小为8n×8n的特征图相融合，得到像素大小为8n×8n的特征图；
S35：重复以上步骤，直至最后得到像素大小为2mn×2mn的特征图。
4.根据权利要求1所述的多尺度反卷积神经网络的交通标志实时检测识别方法，其特征在于，所述步骤S4的卷积为步长为2的卷积。
5.根据权利要求1或2或3或4所述的多尺度反卷积神经网络的交通标志实时检测识别方法，其特征在于，所述卷积和反卷积的卷积核大小为3×3或5×5或7×7。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于上海理工大学，未经上海理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201810617284.7/1.html，转载请声明来源钻瓜专利网。
