[发明专利]基于自建神经网络的交通标志检测与识别方法

摘要

本发明公开了一种基于自建神经网络的交通标志检测与识别方法，属于机器学习及深度学习技术领域，该方法根据拍摄到的图像运用数字图像理论中的颜色分割获取交通标志在图片中的非真实感兴趣区域，使用SVM分类器得到真实感兴趣区域，再将真实的感兴趣区域放进自建卷积神经网络中进行识别分类。采用本发明的技术方案能对交通标志使用状态进行快速准确识别和分类，达到快速、可靠和识别准确的实时要求，并且省时省力。

主权项

1.一种基于自建神经网络的交通标志检测与识别方法，其特征在于：根据拍摄到的图像运用数字图像理论中的颜色分割获取交通标志在图片中的非真实感兴趣区域，使用SVM分类器得到真实感兴趣区域，再将真实的感兴趣区域放进自建卷积神经网络中进行识别分类，包括如下步骤：(1)车载系统会对道路标志进行拍摄或录像，如果拍摄的是图片，那就直接进行彩色转换，如果是视频格式，那就对视频抽帧，将RGB图像转换为HSI颜色模型,HSI分别表示色调、饱和度及亮度，其过程如下：给定RGB彩色格式图像，对任何三个归一化到[0,1]范围内的R,G,B值，其对应的H,S,I分量由公式(1)至公式(4)表示：色调：饱和分量：亮度分量：(2)设定阈值范围，判断像素是否为目标像素即交通标志区域的像素,提取目标像素颜色信息,进行初步颜色分割获得感兴趣区域,其过程如下：对彩色图像即红、黄、蓝进行分割时，依靠H、S、I三个分量相互独立，同时考虑到自然环境下交通标志图像色彩的波动性，可以对彩色图像的各个分量进行适当地组合进行阈值分割，输出掩摸由公式(5)至公式(7)所示：设定一组颜色经验阈值，即每种颜色分量的色调阈值上下限值和饱和度阈值，然后通过判断阈值范围将各个颜色分割出来，最后得到分割后的图像；(3)区分交通标志与非交通标志的SVM分类器,以此来判断感兴趣区域是否为交通标志，其过程如下：根据SVM的基本原理，最优分类面既要能将两类样本正确分开，又要使得分类间隔最大；SVM的学习可以看作一个最优化问题，可以表示为：其中，xi∈RD,i＝1,…，N为训练数据，训练数据集中样本个数为N；yi∈{‑1,1}为样本标签，也即分类结果；表示两个向量之间的点积运算；C为惩罚因子；K为核函数；ai为待学习的参数，通过最优化学习，得到最优解：然后，可以得到最优分类面的权向量和偏移量，表示为:于是，最优分类面函数可以表示为:(4)确定真实感兴趣区域后，把此区域归一化处理，其过程如下：使用双三次插值法采用公式(12)至(16)将图像归一化到28*28；f(i+u,j+v)＝ABC          (13)A＝[S(1+u) S(u) S(1‑u) S(2‑u)]      (14)C＝[S(1+v) S(v) S(1‑v) S(2‑v)]T      (16)其中，A、B、C均为矩阵，u,v均为[0，1]区间的浮点数，u表示最近邻像素点和待插值点水平方向的距离，u与v对应，表示垂直方向的距离，f(i,j)表示源图像(i,j)处的灰度值，f(i+u,j+v)表示待插值点的灰度值，S(w)为双三次插值基函数；(5)归一化处理得到交通标志的位置后,使用自建神经网络结构，提交交通标志牌分类算法,分类算法所需设置的参数包括网络权值初始化方式、卷积核初始化方式、卷积神经网络的层数、特征图数量在内的参数,通过训练样本来学习网络中的参数,进而识别不同位置的交通标志的类别，具体分步骤如下：1)利用变形增量的GTSRB数据集训练网络；2)将检测结果为标志牌区域的感兴趣区域，输入到上一步训练好的网络中，判断其所属的小类。