[发明专利]一种基于多分辨率卷积神经网络的交通标志识别方法

摘要

本发明属于计算机应用技术领域机器学习理论及应用子领域，关注于智能交通技术中的交通标志识别问题。其特征是使用一种多分辨率卷积神经网络交通标志识别方法，用于解决使用卷积神经网络进行交通标志识别时速度较慢的问题，使用不同分辨率的二维图像作为输入，并行运算两个相同结构的卷积神经网络进行特征映射和提取，而后基于网络训练的权值阈值进行精确分类和识别。本发明通过使用两个具有不同分辨率分支的CNN代替了基本的CNN结构，高分辨图像输入可映射出全局和轮廓的特征，低分辨率的图像可映射出局部和细节特征，保证了识别的分辨率，提高了模型训练速度。

主权项

一种基于多分辨率卷积神经网络的交通标志识别方法，其特征在于步骤：(1)图像预处理阶段对所有训练集中的图像进行预先的处理，根据网络训练要求，将训练图片首先进行归一化，处理为灰度图像，统一为A*A的分辨率作为一个输入，并截取此图像分辨率为B*B的中心部分作为另一个输入；使用的多分辨率卷积神经网络执行的是有监督的训练，其样本集是由一个个向量对组成的，一个输入对应一个理想输出；在开始训练前，所有的权值都用一些不同的小随机数进行初始化；(2)MRCNN网络训练阶段1)前向传播阶段①从样本集中取两个样本对(xh,yh)、(xl,yl)，将xh、xl分别作为两个卷积神经网络的输入；②两个卷积神经网络分别进行第一次卷积；卷积过程包括：用一个可训练的滤波器fx去卷积输入的图像，然后加一个偏置bx，得到卷积层C1的特征map；③将卷积层C1得到的特征map作为输入进行采样；采样过程包括：每邻域四个像素求和变为一个像素，然后通过标量Wx+1加权，再增加偏置bx，然后通过一个sigmoid激活函数，产生一个大概缩小四倍的特征映射图Sx+1,得到抽样层S2；④重复第②、③步分别得到各卷积神经网络的C3层和S4层；⑤计算相应的实际输出Oh、Ol；在前向传播阶段，信息经过输入层、隐含层的卷积和抽样，最终传送到输出层；其输出用公式(1)表示：O＝Fn(……(F2(F1(x*w1)w2)……)wn)     (1)2)向后传播阶段①计算实际输出Oh、Ol与相应的理想输出Yh、Yl的差；②按极小化误差的方法反向逐层分别调整两个卷积网络的权矩阵；这里将Ep定义为第p个样本的误差，则整个样本集的误差用公式(2)表示：Ep=12Σj=1m(ypj-opj)2---(2)]]>至此1次迭代完成，保存调整后的权值，重复第一阶段，直至达到设定的迭代次数后，训练结束，保存并把此权值输出给验证集以验证；(3)准确率验证阶段使用训练集的五分之一的数据进行验证输入的权值，将输入和映射的结果进行对比，输出错误率，如果错误率达到满意的要求，则进行测试识别，否则，调整输入图像的分辨率或者增加迭代次数重新进行训练；(4)图像识别阶段将检测到的交通标志图像经过预处理之后，使用训练好权值的网络模型进行识别并输出其对应的类别。