[发明专利]一种基于SRCNN的交通标志识别方法

说明书

本发明公开了一种基于SRCNN的交通标志识别方法，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：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，得到交通标志图像类别。本发明具有能提高低分辨率图像识别准确率且计算量小的优点。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于SRCNN的交通标志识别方法。

背景技术

随着智能交通的发展，自动驾驶汽车的多项技术也受到了广泛关注和研究。为了帮助驾驶员判断前进方向，限速范围以及当前的道路情况,交通标志识别(TSR)成为了智能交通系统中不可忽视的问题，得到了国内外研究人员的广泛关注。

当前，关于交通标志的识别分类算法主要包括径向基函数方法、多层决策树分类法，支持向量机分类法，句法分类和卷积神经网络等。

在径向基函数方法中(黄锋.基于径向基函数神经网络的图像识别研究[D].太原理工大学,2007)，使用降维显著地降低计算量，对提高处理速度，保证系统的实时性要求具有重要的意义。径向基函数网络的实质是降维映射，因而在交通标志的分类中获得应用。相关文献采用径向基函数网络进行分类，其中径向基函数采用线性斜坡函数而非高斯函数。径向基函数网络具有拓扑结构简单、易于学习训练的优点，但基函数的选择比较困难，且网络的泛化能力有限。

在多层决策树分类法中(Lei Song and Zheyuan,“Color-based traffic signdetection”,2012International Conference on Quality,Reliability,Risk,Maintenance,and Safety Engineering)，采用多层结构的决策树进行分类，比采用单分类器分类能加快处理速度、提高分类结果的精度，而且通过将相关特征分解到各层简化分类器的设计。相关文献提出根据颜色、形状以及图元的三层决策树的分类方法，每个树的节点都是一个统计分类器。对彩色图像和黑白图像都可以采用这种任务分解的方法进行分类。交通标志可根据颜色信息或几何形状的先验知识逐层分解进行分类。在分类器的设计中，有的文献采用基于laplace-kernel分类器(PJP Pudil,P Somol,“roadsign classification using Laplace kernel classifier”,Pattern RecognitionLetters,2000:1165-1173)。这类方法具有并行结构，可采用计算机并行算法实现，以提高处理速度，但优化的决策树的设计是个难点，目前，大都依靠经验知识，而且分类器的参数选择也较复杂。

在支持向量机分类法中，由于支持向量机根据结构风险最小化原理进行设计，所以具有结构简单、泛化能力强等特点，是一种新的模式识别分类方法。在相关文献中(JGPark,KJ Kim,“Design ofa visual perception model with edgeadaptive Gaborfilter and support vector machine for traffic sign detection”,Expert Systemswith Applications,2013:3679-3687)，也有采用支持向量机确定交通标志的类型。但是，这部分的研究才刚刚开始，目前的处理时间还较大，如何构造合适的核函数还尚未解决。