[发明专利]一种应用于交通标志识别的深度卷积神经网络方法

摘要

本发明属于机器视觉领域，涉及一种应用于交通标志识别的深度卷积神经网络方法。该方法通过深度卷积神经网络对交通标志进行训练，建立应用于交通标志识别的深度卷积神经网络模型。经过测试选出最优的深度卷积神经网络模型，利用彩色摄像机采集交通标志，由最优的深度卷积神经网络模型对交通标志进行识别。本发明设计的深度卷积神经网络，可以有效的解决光照环境多变的交通标志识别的难题。

主权项

1.本发明所设计的一种应用于交通标志识别的深度卷积神经网络方法，其特征是：对交通标志图像进行识别分类，步骤如下：步骤1：选取含有N类交通标志的数据集，所述的交通标志数据集包含训练图像X张，测试图像Y张，将所述的数据集的图像大小统一设置为3通道像素值为32×32的图像；步骤2：深度卷积神经网络模型的第一层输入层参数I1＝m1×m1×n1，设置m1＝32，n1＝3；步骤3：步骤2中所述的深度卷积神经网络模型的第二层卷积层参数C1＝m2×m2×n2，设置m2＝7，n2＝6；步骤4：步骤2中所述的深度卷积神经网络模型的第三层卷积层参数C2＝m3×m3×n3，设置m3＝5，n3＝12；步骤5：步骤2中所述的深度卷积神经网络模型的第四层池化层参数P1＝m4×m4×n4，设置m4＝2，n4＝1；步骤6：步骤2中所述的深度卷积神经网络模型的第五层池化层参数C3＝m5×m5×n5，设置m5＝3，n5＝18；步骤7：步骤2中所述的深度卷积神经网络模型的第六层全连接层输入参数FI1＝[(m1‑m2‑m3+2)/m4‑m5+1]2×n5，设置所述的深度卷积神经网络模型的第六层全连接层输出参数FO1＝500；步骤8：步骤2中所述的深度卷积神经网络模型的第七层全连接层输入参数FI2＝FO1，设置所述的深度卷积神经网络模型的第七层全连接层输出参数FO2＝160；步骤9：步骤2中所述的深度卷积神经网络模型的第八层全连接层输入参数FI3＝FO2，所述的深度卷积神经网络模型的第八层全连接层输出参数为步骤1中所述的N；步骤10：设置深度卷积神经网络模型的激励函数，所述的激励函数如公式(1)所示；R(x)＝max(x)              公式(1)其中，当R(x)＞0时，R(x)等于自身，当R(x)≤0时，R(x)等于0；步骤11：设置深度卷积神经网络模型的正则化函数，所述的正则化函数如公式(2)所示；其中，C0表示任意损失函数，ω表示模型的所有权值，λ表示正则化函数；步骤12：设置深度卷积神经网络模型的梯度下降算法，所述的梯度下降算法如公式(3)至公式(7)所示；mt＝μ*mt‑1+(1‑μ)*gt           公式(3)其中，m_t，n_t分别表示对梯度的一阶矩估计和二阶矩估计，g_t表示梯度，μ，v表示动态因子，表示m_t，n_t的校正；ε为常数确保分母不为0，η表示学习率，表示对学习率的一个动态约束；步骤13：将步骤1中的X张训练图像导入步骤2至步骤12设置好的深度卷积神经网络模型进行训练；步骤14：将步骤1中的Y张测试图像导入步骤13中训练好的深度卷积神经网络模型进行测试；步骤15：启动采集图像的彩色摄像机，对交通标志进行图像采集，用步骤14测试好的深度卷积神经网络模型对所述的彩色摄像机采集到的交通标识进行识别分类，得到分类结果，识别结束。