[发明专利]一种基于SRCNN的交通标志识别方法

权利要求书

1.一种基于SRCNN的交通标志识别方法，其特征在于：包括以下步骤：

步骤一：对输入的交通标志图像进行图像预处理：先定义处理分界点像素；然后将输入的交通标志图像的像素与处理分界点像素进行比较，对于像素小于处理分界点像素的图像，利用基于SRCNN的超分辨率重建算法将输入图像重建为处理分界点像素的图像；对于像素不小于处理分界点像素的图像，利用双线性插值算法缩小为处理分界点像素的图像；

步骤二：对Lenet-5卷积神经网络进行训练，得到Lenet-5卷积神经网络模型；

步骤三：将步骤一中预处理后的交通标志图像输入步骤二得到的Lenet-5神经网络模型进行识别，得到该交通标志图像的类别。

2.根据权利要求1所述的一种基于SRCNN的交通标志识别方法，其特征在于：在步骤一中，使用基于SRCNN的超分辨率重建方法对输入图像进行超分辨率重建的具体步骤如下：

步骤(1.1)：将输入图像P按照R、G、B三个通道进行分割，对每个通道的图片分别进行超分辨率重建，使用ReLu作为激活函数δ(x)＝max(0,x)；

(1.1.1)对G通道的矩阵G：

Y₁＝δ(G*W₁+B₁)

Y₂＝δ(Y₁*W₂+B₂)

Y₃＝δ(Y₂*W₃+B₃)

其中，Y_i为第i层卷积层的输出特征，作为第i+1层的输入，B_i和W_i为第i层的偏置和权重，*表示卷积运算；其中，权重初始为正态分布，偏置初始化为0；第一层卷积网络对输入的图片进行特征提取，第二层对第一层提取的特征进行非线性映射，第三层生成高分辨率图像；

(1.1.2)对B通道的矩阵B：

Y₁＝δ(B*W₁+B₁)

Y₂＝δ(Y₁*W₂+B₂)

Y₃＝δ(Y₂*W₃+B₃)

其中，Y_i为第i层卷积层的输出特征，作为第i+1层的输入，B_i和W_i为第i层的偏置和权重，*表示卷积运算；其中，权重初始为正态分布，偏置初始化为0；第一层卷积网络对输入的图片进行特征提取，第二层对第一层提取的特征进行非线性映射，第三层生成高分辨率图像；

(1.1.3)对R通道的矩阵R：

Y₁＝δ(R*W₁+B₁)

Y₂＝δ(Y₁*W₂+B₂)

Y₃＝δ(Y₂*W₃+B₃)

其中，Y_i为第i层卷积层的输出特征，作为第i+1层的输入，B_i和W_i为第i层的偏置和权重，*表示卷积运算；其中，权重初始为正态分布，偏置初始化为0；第一层卷积网络对输入的图片进行特征提取，第二层对第一层提取的特征进行非线性映射，第三层生成高分辨率图像；

步骤(1.2)：对经超分辨率重建后的R、G、B三个颜色通道进行合成，生成处理分界点像素的图像；

其中，采取MSE作为损失函数E^N，步长为1，补零填充，将Adam作为优化器进行误差的反向传播；

其中，N为样本个数，g为输入的类别，y为输出，label为标签。