The invention belongs to the field of machine vision and relates to a depth convolution neural network method for traffic sign recognition. Traffic signs are trained by depth convolution neural network, and a depth convolution neural network model is established for traffic signs recognition. After testing, the optimal depth convolution neural network model is selected. Traffic signs are captured by color cameras and identified by the optimal depth convolution neural network model. The depth convolution neural network designed by the invention can effectively solve the difficult problem of traffic sign recognition with changeable illumination environment.
【技术实现步骤摘要】
一种应用于交通标志识别的深度卷积神经网络方法
本专利技术涉及一种应用于交通标志识别的深度卷积神经网络方法,更具体的说,本专利技术涉及一种能够用于复杂环境下的交通标志识别的深度卷积神经网络方法。
技术介绍
深度学习是目前人工智能、机器学习领域异常火热的研究方向,已经在语音识别、图像识别、自然语言处理等诸多领域取得了突破性进展,对学术界和工业界产生了深远的影响。深度学习也开始逐步应用在交通标志识别系统中解决交通堵塞、交通事故频繁发生等问题。机器视觉方法在交通标志识别系统中已经取得了不错的成果。目前出现的针对交通标志识别的方法研究,主要有以下几种机器视觉方法:模板匹配法、近邻法、人工神经网络算法、SVM等。模板匹配法直接将分类的图像与设定好的模板图像进行匹配比对,在环境多变的交通标志图片中并不能实现很好的分类效果。Escalera等人曾经提出直接基于颜色阈值的分割算法,在RGB颜色空间设定阈值进行分割得到感兴趣区域,然后利用交通标志的形状特征等信息来进行二次检测,但是该方法受光照、样本等影响较大。谷明琴等人利用欧式距离和支持向量机分类器完成交通标志分类识别,并获得较高识别率,但由于交通标志种类多且部分交通标志存在相似性,交通标志所处环境复杂,光照变化多样,汽车驾驶过程出现的颠簸使图像出现畸变、模糊现象等问题,无法成熟地应用在实际生活中。深度卷积神经网络作为深度学习的方法之一,具有很强的学习能力,能从大量样本数据中提取隐藏的特征在,图像分类中处于佼佼者的地位。目前,在国际图像识别大赛中获得最好成绩的团队都采用了深度卷积神经网络。为了解决无法在复杂环境变化下识别交通 ...
【技术保护点】
1.本专利技术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 ...
【技术特征摘要】
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...
【专利技术属性】
技术研发人员:宋丽梅,林文伟,郭庆华,
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。