The invention relates to a traffic sign recognition method for target identification of single type, the problem of low speed, a fast traffic sign recognition method of convolutional neural network Fast Traffic Sign Recognition Convolution Neural Network based on FTSR CNN. The method uses convolution filtering sliding feature extraction, in the learning process to obtain network losses and ensure the accuracy of the network model for traffic sign recognition more tired; to adjust the parameters of network structure and the activation function of the type and dimension reduction operation to optimize the network performance, the final accuracy has better real-time and. At the same time, in order to improve the diversity of the samples, the data of the data set is augmented by affine transformation. FTSR CNN in German traffic sign recognition data sets GTSRB and Tsinghua Tencent 100K two data set test rates were 95.74% and 96.67%. The results show that the FTSR CNN by improving the previous model of the network and enable the training of different strategies, the method is in the same level of recognition accuracy to speed up the recognition speed.
【技术实现步骤摘要】
一种基于卷积神经网络的快速交通标识牌识别方法
本专利技术涉及一种基于卷积神经网络的快速交通标识牌识别方法,属于图像处理
,可应用于交通标识牌的快速识别。
技术介绍
交通标识牌作为道路交通中的重要组成部分,用文字或符号为驾驶员提供引导、指示、警告及限制作用,自动识别交通标识牌是高级驾驶辅助系统设计中不可或缺的一部分。由于交通标识牌种类繁多,应用于各种场景,并且随天气变化和光照影响使得标识牌图像对比度降低;物理损坏及遮挡影响其固有形状;高速行驶带来的运动模糊使得交通标识牌的自动识别非常困难。如何快速和准确地识别交通标识牌对设计者来说是一个很大的挑战。几种受影响的标识牌如图2中所示。此专利技术基于此应用背景,提出了一种基于卷积神经网络的快速交通标识牌识别的方法,该方法是一种深度学习方法。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。过去几年,深度学习在计算机视觉领域取得了巨大成功。其中,在物体识别和检测、场景分类、图像分类任务中取得突破性进展,使其适用于图像处理。交通标志有其规范性,形状可分为圆形,三角形和菱形;颜色可分为蓝色,黄色,白色和红色。它的识别主要由基于形状(模板匹配)、基于颜色等方法。图像中的交通标识牌检测流程一般包括创建适用于训练分类器的样本集,图像特征提取,训练分类器,利用训练好的分类器进行目标检测识别。在图像特征提取方面,传统方法通常使用方向梯度直方图(HOG)、局部二值模式(LBP)及Haar等特征提取方法。然而, ...
【技术保护点】
一种基于卷积神经网络的快速交通标识牌识别方法,所述方法包括下列步骤:(1)依据实际场景交通标示牌发生的变化,通过数据增广交通标识牌的训练集数据并得到灰度化和归一化的数据集;(2)进行FTSR‑CNN网络结构的整体设计,根据已有数据的规模与特点设计FTSR‑CNN模型网络结构,选择在MS‑3convs‑16‑32‑48基础上进行相应改进,本方法所构建的FTSR‑CNN推荐包含3个卷积层convolution layer,2个最大值降采样层max pooling layer和2个全连接层fully‑connected layer;(3)构造卷积核大小分比为5*5、3*3、3*3个像素的FTSR‑CNN卷积层;(4)构造FTSR‑CNN降采样层;(5)构造FTSR‑CNN全连接层;(6)设计选取FTSR‑CNN激活函数和学习率参数;(7)加载网络模型并初始化网络参数;(8)输入待测试的图像数据,识别交通标示牌。
【技术特征摘要】
1.一种基于卷积神经网络的快速交通标识牌识别方法,所述方法包括下列步骤:(1)依据实际场景交通标示牌发生的变化,通过数据增广交通标识牌的训练集数据并得到灰度化和归一化的数据集;(2)进行FTSR-CNN网络结构的整体设计,根据已有数据的规模与特点设计FTSR-CNN模型网络结构,选择在MS-3convs-16-32-48基础上进行相应改进,本方法所构建的FTSR-CNN推荐包含3个卷积层convolutionlayer,2个最大值降采样层maxpoolinglayer和2个全连接层fully-connectedlayer;(3)构造卷积核大小分比为5*5、3*3、3*3个像素的FTSR-CNN卷积层;(4)构造FTSR-CNN降采样层;(5)构造FTSR-CNN全连接层;(6)设计选取FTSR-CNN激活函数和学习率参数;(7)加载网络模型并初始化网络参数;(8)输入待测试的图像数据,识别交通标示牌。2.如权利要求1所述的方法,其特征在于,步骤(1)中,数据增广需通过仿射变换来增加样本的多样性,提高训练后模型的识别率和识别速度,交通标识牌的训练集需贴上标签,并将训练集中的彩色图片进行灰度化和归一化。3.如权利要求1所述的方法,其特征在于,步骤(2)中,FTSR-CNN继承卷积神经网络的基本特性,可自主学习特征进而避免了由于特征复杂带来的提取特征困难;并为了提高识别效率,在MS-3c...
【专利技术属性】
技术研发人员:耿磊,梁晓昱,肖志涛,张芳,吴骏,杨振杰,
申请(专利权)人:天津工业大学,
类型:发明
国别省市:天津,12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。