[发明专利]一种基于轻量化神经网络的交通标志识别方法

说明书

一种基于轻量化神经网络的交通标志识别方法，通过构建轻量化神经网络模型进行训练、剪枝得到轻量化神经网络模型，所述轻量化神经网络模型包括卷积特征提取部分和分类器部分；卷积特征提取部分由1层传统3×3卷积和16层可分离非对称卷积组成，分类器部分由三层可分离全连接模块组成，该识别方法在保证识别准确率的同时降低了网络的参数规模和运算量，从而提升了神经网络模型在车载平台环境下部署的识别速度。

技术领域

本发明涉及一种交通标志识别方法。

背景技术

图像识别作为计算机视觉领域比较成熟的应用，越来越受到社会各界的广泛关注，在学术领域，各种针对公开数据集的图像识别竞赛层出不穷，而基于此设计的各种卷积神经网络模型不断刷新了更好的性能。在工业领域，图像识别在人脸识别、交通标志识别、食品安全检测等很多方面都有应用。

由于卷积神经网络在图像识别取得的优越性能，目前有很多智能应用需要部署在小型移动或嵌入式终端设备上，而基于卷积神经网络的交通标志识别算法对计算平台的运算能力和存储空间要求较高，阻碍了算法在智能终端设备上的使用。因此，对基于卷积神经网络的交通标志识别算法进行轻量化处理，并对模型进行剪枝，能极大程度减小算法所需要的计算成本和存储要求，使算法能够在车载平台上快速、准确的运行，具有重要的实用价值。

发明内容

本发明的目的是针对现有技术的不足，提供一种在保证识别准确率的同时降低了网络的参数规模和运算量，从而提升了神经网络模型在车载平台环境下部署的识别速度。

本发明的目的通过如下技术方案来实现：

一种基于轻量化神经网络的交通标志识别方法，其特征在于：包括如下步骤：

步骤1，获取原始交通标志图像数据；

步骤2，数据预处理，对原始交通标志图像数据进行预处理，得到具有训练集和测试集的交通标志数据集；

步骤3，设置初始训练超参数，将交通标志数据集的训练集部分输入轻量化神经网络模型进行训练，并利用交通标志数据集的测试集部分对训练好的轻量化神经网络模型进行识别；

步骤4，查看模型在测试集上的识别精度是否达到90％以上理想，若未达到要求，则调整训练超参数，转步骤3，否则，转步骤5；

步骤5，对轻量化神经网络模型进行剪枝，设置初始剪枝率50％，然后在交通标志数据集的训练集上对剪枝后的轻量化神经网络模型进行再训练，并在交通标志数据集的测试集上对训练好的剪枝后的轻量化神经网络模型进行识别；

步骤6，查看训练好的剪枝后的轻量化神经网络模型的识别精度，若识别精度损失在1％以内，保存模型并继续以2％的步长增大剪枝率，转步骤5，若识别精度损失超过1％，则判断是否为第一次剪枝结果，如果为第一次剪枝结果，则以10％的步长减少剪枝率，返回步骤5；如果不为第一次剪枝结果，转步骤7；

步骤7，保存上一次剪枝后的轻量化神经网络模型；

步骤8，将上一次剪枝后的轻量化神经网络模型部署在车载系统中，以对道路上的交通标志进行识别。

所述轻量化神经网络模型包括卷积特征提取部分和分类器部分；

所述卷积特征提取部分包括1层传统3×3卷积和16层可分离非对称卷积，所述可分离非对称卷积包括第一可分离非对称卷积和第二可分离非对称卷积；

所述分类器部分包括三层可分离全连接模块。