基于WWCNN模型和TVPDE算法的交通标志识别方法技术

本发明专利技术公开了基于WWCNN模型和TVPDE算法的交通标志识别方法，其特征是，包括如下步骤：1）GTSRB数据集预处理；2）交通标志细节增强；3）构建WWCNN模型；4）训练WWCNN模型；5）识别。这种方法使用方便，能提取交通标志更多特征，能提高交通标志识别的准确率。

Traffic Sign Recognition Method Based on WWCNN Model and TVPDE Algorithms

The invention discloses a traffic sign recognition method based on WWCNN model and TVPDE algorithm, which is characterized by the following steps: 1) pretreatment of GTSRB data set; 2) enhancement of traffic sign details; 3) construction of WWCNN model; 4) training of WWCNN model; 5) recognition. This method is easy to use, can extract more features of traffic signs, and can improve the accuracy of traffic sign recognition.

【技术实现步骤摘要】
基于WWCNN模型和TVPDE算法的交通标志识别方法
本专利技术涉及深度学习和图像领域，具体是基于WWCNN模型和TVPDE算法的交通标志识别方法。
技术介绍
随着人民生活水平的不断提高，汽车占有量也越来越多，汽车能够给人们带来方便，同时也给人们带来严重的问题。例如，部分驾驶员不遵守交通规则，不按交通标志指示行驶，造成严重的交通事故，事故原因基本都是驾驶员交通意识低，忽视交通标志提示。然而交通标志识别可以提示驾驶员标志信息，从而减少因疏忽交通标志所发生的交通事故。因此，交通标志识别研究具有重要的现实意义。目前，卷积神经网络(CNN)是特征提取和识别的热门方法，CNN比人工提取特征，能够根据具体的识别对象自动学习到有针对性的图像特征。相关文献已经提出CNN结合图像处理的交通标志识别算法，获得了良好的识别准确率；基于CNN的交通标志识别方法，因只输出CNN模型最后一层的特征，故识别准确率不高；深度网络交通标志的识别，并在当年的竞赛中获得99.46％的高识别率，但用梯度下降方法调整所有参数，训练时间过长，无法满足实际应用。
技术实现思路
本专利技术的目的是针对现有技术的不足，而提供基于WWCNN模型和TVPDE算法的交通标志识别方法。这种方法使用方便，能提取交通标志更多特征，能提高交通标志识别的准确率。实现本专利技术目的的技术方案是：基于WWCNN模型和TVPDE算法的交通标志识别方法，与现有技术不同的是，包括如下步骤：1)GTSRB数据集预处理：采用数据增强技术对GTSRB数据集中的交通标志进行数量扩增，所述数据增强技术为水平翻转、垂直翻转、旋转和调整亮度，GTSRB数据集中，交通标志的数量又相对较少，要通过人工收集交通标志来产生大量的训练交通标志是很难完成的，相反，数据增强技术能从GTSRB数据集中产生大量的交通标志，数据增强技术避免了因训练图像少而发生网络过拟合；2)交通标志细节增强：采用全变差偏微分即TVPDE算法对步骤1)处理后的交通标志细节增强，设Ed是数据代价函数，Eg是梯度代价函数，则TVPDE表示为：Ed＝λd(f-v)2(2)，Eg＝λg[(fx-Gx)2+(fy-Gy)2]2(3)，其中，λd、λg是控制参数，f是待求图像梯度场，fx是f的x方向梯度场，fy是y方向梯度场，v是原图梯度场，Gx、Gy是增强后的梯度场，E是全变差模型值，TVPDE算法就是寻找函数f(p)满足公式(2)和公式(3)的前提下，使公式(1)中的E取得最小值；3)构建WWCNN模型：在改进卷积层、激活函数、池化层种类参数基础上，加入多层聚合技术，构建新的WWCNN模型，所述WWCNN模型包括串联的卷积池化层Con1、卷积池化层Con2、聚合层Con3、聚合层Con4、全连接层Fc5和输出层Fc6，其中，聚合层Con3设有卷积层Con3-1、卷积层Con3-2、卷积层Con3-3和卷积层Con3-4；聚合层Con4设有卷积层Con4-1、卷积层Con4-2、卷积层Con4-3和卷积层Con4-4，卷积层Con3-1、卷积层Con3-2、卷积层Con3-3和卷积层Con3-4对卷积池化层Con2做卷积后，再聚合得到聚合层Con3，卷积层Con4-1、卷积层Con4-2、卷积层Con4-3和卷积层Con4-4对聚合层Con3做卷积后再聚合得到聚合层Con4，；WWCNN模型是建立在CNN基本结构的基础上的，CNN基本结构是由卷积层、池化层、全连接层和输出层组成的多层网络结构，卷积层是网络结构的核心部分，卷积运算就是特征提取的过程，卷积层通过卷积核对前层特征图像进行卷积操作，然后将其通过激活函数，得到该层输出特征，卷积层输出特征表示为：k是核权值，b是偏置，f(·)为激活函数，“·”是卷积运算；池化层通常在卷积层后，能对特征提取保持某种不变性的作用，当图像有一定的旋转、平移、缩放等情况时，池化运算能够使特征对图像一定程度崎变保持不变性，增强恃征的鲁棒性，池化层还能减少训练参数的数量，减小过拟合现象，减少噪声的传递，池化层输出特征表示为：β是该层权重系数，down()是池化函数，全连接层也可以被认为是特殊的卷积层，其认为卷积核中仅有一个元素，该层是将前层二维的特征转化成一维特征，然后通过分类器对特征进行分类，全连接层的输出是将输入特征加权后加上偏置，在通过激活函数运算可得，全连接层输出特征表示为xi＝f(ωixi-1+bi)(6)式中，ω是该层权重系数；4)训练WWCNN模型：训练步骤3)构建的WWCNN模型，即设置模型优化器为Adam、学习率为0.001、批处理大小为256、dropout值为0.5、网络中的权值和偏差为随机初始化，交通标志的大小固定为32×32，采用谷歌开发的机器学习系统TensorFlow来训练WWCNN模型；5)识别：依据步骤4)的已经训练好模型来识别交通标志，以GTSRB测试集为基准，测试准确率达到97％以上为识别成功。这种方法使用方便，能提取交通标志更多特征，能提高了交通标志识别的准确率。附图说明图1为实施例的方法流程示意图；图2为实施例中WWCNN模型的结构示意图。具体实施方式下面结合和附图和实施例对本专利技术的内容作进一步的阐述，但不是对本专利技术的限定。实施例：参照图1，基于WWCNN模型和TVPDE算法的交通标志识别方法，包括如下步骤：1)GTSRB数据集预处理：采用数据增强技术对GTSRB数据集中的交通标志进行数量扩增，所述数据增强技术为水平翻转、垂直翻转、旋转和调整亮度，GTSRB数据集中，交通标志的数量又相对较少，要通过人工收集交通标志来产生大量的训练交通标志是很难完成的，相反，数据增强技术能从GTSRB数据集中产生大量的交通标志，数据增强技术避免了因训练图像少而发生网络过拟合；2)交通标志细节增强：采用全变差偏微分即TVPDE算法对步骤1)处理后的交通标志细节增强，设Ed是数据代价函数，Eg是梯度代价函数，则TVPDE表示为：Ed＝λd(f-v)2(2)，Eg＝λg[(fx-Gx)2+(fy-Gy)2]2(3)，其中，λd、λg是控制参数，f是待求图像梯度场，fx是f的x方向梯度场，fy是y方向梯度场，v是原图梯度场，Gx、Gy是增强后的梯度场，E是全变差模型值，TVPDE算法就是寻找函数f(p)满足公式(2)和公式(3)的前提下，使公式(1)中的E取得最小值；3)构建WWCNN模型：在改进卷积层、激活函数、池化层种类参数基础上，加入多层聚合技术，构建新的WWCNN模型，所述WWCNN模型包括串联的卷积池化层Con1、卷积池化层Con2、聚合层Con3、聚合层Con4、全连接层Fc5和输出层Fc6，其中，聚合层Con3设有卷积层Con3-1、卷积层Con3-2、卷积层Con3-3和卷积层Con3-4；聚合层Con4设有卷积层Con4-1、卷积层Con4-2、卷积层Con4-3和卷积层Con4-4，卷积层Con3-1、卷积层Con3-2、卷积层Con3-3和卷积层Con3-4对卷积池化层Con2做卷积后，再聚合得到聚合层Con3，卷积层Con4-1、卷积层Con4-2、卷积层Con4-3和卷积层Con4-4对聚合层Con3做卷积后再聚合得到聚合层Con4，如图2所示；WWCNN模型是建立在C本文档来自技高网...

【技术保护点】
1.基于WWCNN模型和TVPDE算法的交通标志识别方法，其特征是，包括如下步骤：1)GTSRB数据集预处理：采用数据增强技术对GTSRB数据集中的交通标志进行数量扩增，所述数据增强技术为水平翻转、垂直翻转、旋转和调整亮度；2)交通标志细节增强：采用全变差偏微分即TVPDE算法对步骤1)处理后的交通标志细节增强，设Ed是数据代价函数，Eg是梯度代价函数，则TVPDE表示为：

【技术特征摘要】
1.基于WWCNN模型和TVPDE算法的交通标志识别方法，其特征是，包括如下步骤：1)GTSRB数据集预处理：采用数据增强技术对GTSRB数据集中的交通标志进行数量扩增，所述数据增强技术为水平翻转、垂直翻转、旋转和调整亮度；2)交通标志细节增强：采用全变差偏微分即TVPDE算法对步骤1)处理后的交通标志细节增强，设Ed是数据代价函数，Eg是梯度代价函数，则TVPDE表示为：Ed＝λd(f-v)2(2)，Eg＝λg[(fx-Gx)2+(fy-Gy)2]2(3)，其中，λd、λg是控制参数，f是待求图像梯度场，fx是f的x方向梯度场，fy是y方向梯度场，v是原图梯度场，Gx、Gy是增强后的梯度场，E是全变差模型值，TVPDE算法就是寻找函数f(p)满足公式(2)和公式(3)的前提下，使公式(1)中的E取得最小值；3)构建WWCNN模型：所述WWCNN模型包括串联的卷积池化层Con1、卷积池化层Con2、聚合层Con3、聚合层Con4、全连接层Fc5和输出层Fc...

【专利技术属性】
技术研发人员：黄知超，李栋，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西,45