[发明专利]一种基于卷积神经网络的交通标志数据集制作方法

权利要求书

1.一种基于卷积神经网络的交通标志数据集制作方法，其包含如下步骤

1)对选用的基准数据集(本发明实例选用TT100K和CCTSDB数据集)中的所有图片格式、标记格式和与标记边框进行检查；

2)将数据集转换为统一格式；

3)构造用于检测目标的卷积神经网络；

4)修改检测网络中读取数据集的函数，并利用步骤(3)所设计检测网络在转换格式后的基准数据集中检测交通标志；

5)训练检测网络以优化参数；

6)构造分类网络对已经完成步骤(4)和步骤(5)中的检测任务的交通标志进行分类；

7)整合检测与分类网络，使之互不干扰。

2.如权利要求1所述的一种基于卷积神经网络的交通标志数据集制作方法，其特征在于：所述步骤1)，防止在训练是出现异常，导致网络崩溃或者不准确。

3.如权利要求1的一种基于卷积神经网络的交通标志数据集制作方法，其特征在于：所述步骤2)，不同网络对于可接受的数据集格式不尽相同，不同组织所制作的数据集格式也各不相同，因此转换数据集为统一的格式，方便网络读取标记信息，对数据进行检查。

4.如权利要求1所述的一种基于卷积神经网络的交通标志数据集制作方法，其特征在于：所述步骤3)，本发明的实例采用以AlexNet为基础网络的SSD网络为检测网络，该网络共9层，特征图分别从第2层，第7层，第8层与第9层中进行提取，采用两个3×3大小的卷积核，分别负责检验该特征图中先验框的所对应物体的类别与位置。

5.如权利要求1所述的一种基于卷积神经网络的交通标志数据集制作方法，其特征在于所述步骤4)，检测网络中读取数据集的函数的修改，完成获取标记信息与统一图片大小的工作，保存到文件中。

6.如权利要求1所述的一种基于卷积神经网络的交通标志数据集制作方法，其特征在于：所述步骤5)，在训练过程中学习率设置为0.5，L2正则化参数为0.001，每一批训练16张图片，取20％的图片计算验证集的loss，每一轮训练完数据集中的所有图片，一共训练400轮，便可以获得经对比验证的比较好的训练效果。

7.如权利要求1所述的一种基于卷积神经网络的交通标志数据集制作方法，其特征在于：所述步骤6)，本发明实例的分类网络结构参考了结构简单的经典LeNet-5网络，由两个卷积层，两个池化层与两个全连接层所构成。两个卷积核大小参考了VGG-16和AlexNet网络，最终通过交叉熵代价函数来计算loss值和随机梯度下降法来进行训练网络。

8.如权利要求1所述的一种基于卷积神经网络的交通标志数据集制作方法，其特征在于：所述步骤7)，检测与分类网络的结合需要运行两个网络图，并且不能相互干扰。