基于改进的卷积神经网络的交通标志检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108520212A(43)申请公布日2018.09.11(21)申请号201810261070.0(22)申请日2018.03.27(71)申请人东华大学地址200050上海市长宁区延安西路1882号(72)发明人周武能赵银玲(74)专利代理机构上海申汇专利代理有限公司31001代理人翁若莹柏子雵(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书1页说明书5页附图2页(54)发明名称基于改进的卷积神经网络的交通标志检测方法(57)摘要本发明涉及一种基于改进的卷积神经网络的交通标志检测方法，其特征在于，包括以下步骤：第一步、实时获取交通标志图像，在实时获取过程中对交通标志图像进行图像预处理，图像预处理时保留交通标志的三维色彩；第二步、卷积神经网络从多个角度提取预处理后的交通标志图像的不同特征，根据提取的特征，对图像中包含的交通标志进行检测和分类。本发明针对卷积神经网络的训练速度，在传统的卷积神经网络基础上进行改进。改进的卷积神经网络拥有相对数量较少的卷积核，同时，在每一池化层拥有不止一种的池化类型。因此，在实景交通标志的检测和识别过程中，能够在保持较高识别准确率的同时减少其识别的时间。CN108520212ACN108520212A权利要求书1/1页1.一种基于改进的卷积神经网络的交通标志检测方法，其特征在于，包括以下步骤：第一步、实时获取交通标志图像，在实时获取过程中对交通标志图像进行图像预处理，图像预处理时保留交通标志的三维色彩；第二步、卷积神经网络从多个角度提取预处理后的交通标志图像的不同特征，根据提取的特征，对图像中包含的交通标志进行检测和分类，其中，卷积神经网络包括输入层、3个卷积层、3个池化层、位于每个池化层后的归一化层、2个全连接层和1个Softmax输出层，3个卷积层的卷积核数目为3，卷积核大小均为5*5。2.如权利要求1所述的一种基于改进的卷积神经网络的交通标志检测方法，其特征在于，在所述第一步中，图像预处理包括图像滤波、压缩动态范围、直方图均衡化和图像锐化。3.如权利要求1所述的一种基于改进的卷积神经网络的交通标志检测方法，其特征在于，每个所述池化层中含有两种池化方式：平均池化和最大值池化，即对卷积层中输出的每一个特征图都进行两次不同的采样，池化窗口大小均为3*3。4.如权利要求1所述的一种基于改进的卷积神经网络的交通标志检测方法，其特征在于，所述输入层输入的交通标志图像大小为32*32，且交通标志图像的特征图在卷积核池化过程中保持32*32大小不变。5.如权利要求1所述的一种基于改进的卷积神经网络的交通标志检测方法，其特征在于，对所述卷积神经网络的训练包括以下步骤：步骤1、设定神经网络各初始参数，包括非线性的固定卷积层层数、各卷积层滤波器的个数及其初始值、各池化层的窗口大小、全连接层层数及每层神经元个数，构建基本的卷积神经网络模型；步骤2、设定模型中的训练目标最小误差、学习速率、最大允许训练步数和小批量数据个数；步骤3、将数据导入输入层，递归计算网络输出；步骤4、计算输出误差，并修改权值。步骤5、重复步骤1至步骤4，直至误差在可接受范围内或超出训练次数限制。2CN108520212A说明书1/5页基于改进的卷积神经网络的交通标志检测方法技术领域[0001]本发明涉及一种用于检测真实道路场景中的各类交通标志，并对检测出的交通标志进行分类的方法，属于图像处理和卷积神经网络算法技术领域。背景技术[0002]近年来，随着居民汽车保有量的迅速增加，自动驾驶技术和辅助驾驶技术受到广泛关注。其中，交通标志的自动检测和识别是其重要的组成部分，正确并高效地检测和识别实景道路中的交通标志是实现自动驾驶的前提基础。同时，随着汽车数量的急剧增长，在道路行驶过程中发生交通事故的几率也明显增加，交通标志的自动检测和识别能够在辅助驾驶系统中为驾驶人起到良好和及时的提醒作用，为驾驶人的人身安全和交通安全提供保障。因此，如何准确高效地识别实景交通标志是目前研究的热点之一。[0003]卷积神经网络是一个新的研究方法，近年来在机器学习领域快速发展，目前已在学术界被广泛关注，并且已经应用于图像识别问题。卷积神经网络具有很好的特征学习能力，其所具有的优良特性使其备受关注。发明内容[0004]本发明的目的是提供一种自动检测真实道路场景中的各类交通标志、并且对检测出的交通标志进行分类的方法。[0005]为了达到上述目的，本发明的技术方案是提供了一种基于改进的卷积神经网络的交通标志检测方法，其特征在于，包括以下步骤：[0006]第一步、实时获取交通标志图像，在实时获取过程中对交通标志图像进行图