[发明专利]基于改进的卷积神经网络的交通标志识别方法

权利要求书

1.一种基于改进的卷积神经网络的交通标志识别方法，其特征在于：

首先对实际行车环境中采集的交通标志图像做预处理操作，然后利用本发明设计卷积神经网络模型对预处理后的交通标志图像进行特征提取，最后将提取到的图像特征输入到SVM分类器中进行最后的分类，包括以下步骤：

步骤1，将实际行车环境中采集的交通标志图像作为本发明所设计的卷积神经网络模型训练样本和测试样本，并对采集到的原始交通标志图像做预处理操作；

步骤2，利用卷积神经网络对预处理后的交通标志图像进行特征提取，其中，卷积神经网络包括输入层、3个卷积层和3个池化层交替连接和2个全连接层；

步骤3，将提取的图片特征输入到SVM中进行分类。

2.根据权利要求1所述的一种基于改进的卷积神经网络的交通标志识别方法，其特征在于，所述步骤1中，训练样本和测试样本预处理包括：

对训练和测试样本进行图像增强操作，对交通标志图像做直方图均衡化处理，增强图片对比度，使图像特征更加明显；

对训练和测试样本灰度化处理，简化卷积操作，降低卷积神经网络模型复杂度；

对训练和测试样本尺寸做归一化处理，图片尺寸大小统一为48*48；

将训练样本进行简单的数据集扩展，主要有两种方式，第一以图片中心为原点分别逆时针和顺时针旋转8度，第二分别将图片向左和向右平移4个像素点，这样图片的一侧会有4像素的空余部分，将空余部分去除然后将图片横向拉伸回48*48大小；这样不仅增加了训练数据集的大小，让模型得到充分训练，还可以增加模型的泛化能力。

3.根据权利要求1所述的一种基于改进的卷积神经网络的交通标志识别方法，其特征在于，所述步骤2中，3层卷积层卷积核大小分别为5*5、3*3和3*3，且步长都为1，在第三层卷积时对特征图边缘增补1。

4.根据权利要求1所述的一种基于改进的卷积神经网络的交通标志识别方法，其特征在于，所述步骤2中，3层池化层池化窗口大小均为2*2，步长均为2，都采用最大池化。

5.根据权利要求1所述的一种基于改进的卷积神经网络的交通标志识别方法，其特征在于，所述步骤2中，卷积层使用的激活函数均为ReLU函数。

6.根据权利要求1所述的一种基于改进的卷积神经网络的交通标志识别方法，其特征在于，所述步骤2中，三层卷积层卷积核个数分别为60、90和108。

7.根据权利要求1所述的一种基于改进的卷积神经网络的交通标志识别方法，其特征在于，网络模型训练过程如下：

步骤1，设置卷积神经网络各层的初始参数，包括各层卷积核大小、卷积核个数、池化窗口大小、池化步长、卷积层权值及偏置和全连接层神经元个数，完成基本模型的构建；

步骤2，设定卷积神经网络模型训练学习率、目标最小误差、允许最大训练步数和mini-batch；

步骤3，将预处理后的训练数据输入到卷积神经网络模型的输入层，计算网络输出；

步骤4，计算输出误差，通过反向传播算法更新权值；

步骤5，重复上述步骤1到步骤4，直至输出误差在设定的目标最小误差内或训练次数超过最大训练步数。