[发明专利]基于多标签分类的道路交通标志的识别方法

说明书

本发明公布了一种基于多标签分类的道路交通标志的识别方法，提取出每个道路交通标志的所有标签；进行预测得到道路交通标志的多标签模板，用于判断待识别的道路交通标志图像是否属于该道路交通标志；所述预测使用卷积神经网络作为学习器，使用多标签分类器进行分类，通过计算待识别的道路交通标志图像的多标签模板和标准道路交通标志的多标签模板之间的匹配程度，判别待识别的道路交通标志图像是否属于该道路交通标志。本发明能够解决对道路交通标志类别的识别问题，具有可解释性，提高卷积神经网络模型识别道路交通标志的准确率，且识别方法具有高鲁棒性。

技术领域

本发明属于计算机视觉技术领域，涉及道路交通标志识别方法，尤其涉及一种基于多标签分类的道路交通标志的识别方法。

背景技术

在自动驾驶汽车和高精地图等领域中，道路交通标志识别是其中必不可少的环节，道路交通标志识别也因此成为了图像识别领域的一个研究热点。道路交通标志识别的难点主要在于道路交通标志图像的分辨率相对较低，道路交通标志图像采集的视角和场景光照、天气条件变化大，同时道路交通标志之间相似性很大，系统容易将图像误识别，影响现实场景的应用。道路交通标志识别的方法主要分为两大类，一类是使用传统手工特征算子来提取特征，再使用多分类分类器来识别每个道路交通标志图像所属的类别。另一类是通过深度学习，将每类道路交通标志作为单独的一类直接对原始图像进行识别。第一类采用传统手工特征算子的方法，算法的环境适应能力较差，第二类方法中，深度学习模型在训练集样本足够的时候具有一定的鲁棒性。然而，现有这些方法都无法保证学习到的特征符合人类进行道路交通标志识别的语义知识，从而使得这些道路交通标志识别系统错误的概率增大，且具有不可预见性。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于多标签分类的道路交通标志的识别方法，采用基于多标签分类的方法，通过基于卷积神经网络模型的深度学习模型(下文简称为卷积神经网络模型)学习人类进行道路交通标志识别时所用到的知识信息，使得卷积神经网络模型对道路交通标志类别的识别具有可解释性，即只有符合模板多标签特征的图像才属于该道路交通标志类别，由此过滤掉某些标签缺失的样本，从而提高卷积神经网络模型识别道路交通标志的准确率，且识别方法具有更高的鲁棒性。

本发明中，将道路交通标志图像中所包含的元素作为一个标签或标签类；通过标签分类使用分类器来预测输入图像的多个标签的概率。本发明方法区别于现有的基于多类别分类任务的卷积神经网络模型，并不是使用一个道路交通标志作为一个类别，而是使用道路交通标志的组成结构知识作为卷积神经网络模型判别待识别图像所属类别的依据，采用基于多标签分类的方法使得卷积神经网络模型学习人类进行道路交通标志识别时所用到的知识信息，由此使得道路交通标志的识别具有更好的鲁棒性。

本发明提供的技术方案是：

一种基于多标签分类的道路交通标志的识别方法，通过对每个道路交通标志的构成进行分析，人工提取出该道路交通标志的所有标签，再依据提取出的道路交通标志的所有标签得到道路交通标志的模板，该模板用于判断最终图像是否属于该道路交通标志的依据。其中为了预测出采集图像的道路交通标志模板，使用卷积神经网络作为学习器，使用多标签分类器进行分类。通过计算采集图像的多标签模板和标准道路交通标志的多标签模板之间的匹配程度，可以判别待识别的道路交通标志图像是否属于该道路交通标志。具体的步骤如下：

1)通过人工提取得到标准道路交通标志的组成与全部标签，将提取出的全部标签作为道路交通标志的模板。