[发明专利]基于改进的卷积神经网络的交通标志识别方法

说明书

本发明涉及一种基于改进的卷积神经网络的交通标志识别方法，该方法以实际行车环境中的车载摄像头拍摄的交通标志图像为实验基础，构建出卷积神经网络模型对其进行识别。首先给交通标志图像做预处理操作，使模型能够得到充分训练，且增加模型的泛化能力；其次使用批量归一化方法(Batch Normalization，BN)来加快网络训练速度；最后通过SVM分类器对提取到的特征进行分类。使用本发明的技术方案对实际车载环境中取得的交通标志图像进行识别，能够取得非常高的正确率，同时网络模型训练时间较短，还能够在极短的时间内识别出交通标志。

技术领域

本发明涉及交通标志图像识别领域，尤其涉及一种基于改进的卷积神经网络的交通标志识别方法。

背景技术

随着社会的快速发展，全球汽车数量也急剧增加，给道路交通带来了极大的压力，特别是在大城市中，庞大的汽车数量导致交通阻塞经常发生，给人们生活带来了极大的不便。此外，由于很多地方路况比较复杂，驾驶员经常由于对交通标志牌的疏忽而发生交通事故，全球每年交通事故带来了巨大的损失和人员伤亡。因此，近年来辅助驾驶技术和自动驾驶技术受到了国内外研究人员的广泛关注。其中，交通标志自动识别技术是其重要的组成部分，由于交通标志自动识别技术是应用在实际的行车环境中，这样对于交通标志识别系统，不仅要求极高的正确率，还需要在极短的时间内对交通标志识别出来，这也是研究人员需要突破的难点。

近年来卷积神经网络在图像识别领域取得了巨大的成就，相对于传统的图像识别方法，卷积神经网络能够学习到图片的特征，不需要人为的设计合适的区分算法，设计好合理的卷积神经网络就能够在极短的时间内对交通标志进行识别，并取得非常高的识别率。

发明内容

本发明的目的是提出一种能够对实际行车环境中采集的交通标志图像进行快速、准确的分类方法。

为实现上述目的，本发明设计了一个改进的卷积神经网络模型对交通标志图像进行识别，其主要步骤如下：

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。

优选地，步骤1中，训练样本和测试样本预处理步骤包括：

对训练和测试样本进行图像增强操作，增强图片对比度。

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。

将训练样本进行简单的数据集扩展，让模型得到充分训练。

优选地，步骤2中，卷积神经网络结构包括：

第一个卷积层卷积核大小为5*5，且卷积核个数为60个，第二、三个卷积层卷积核大小均为3*3，且卷积核个数分别为90个和108个。

三个池化层的池化窗口大小均为2*2，选择最大池化。

两个全连接层都含有1024个神经元。

优选地，对上述设计的卷积神经网络模型进行训练步骤如下：

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；