The invention discloses an improved LeNet_5 fusion network traffic sign recognition method for auxiliary driving. Firstly, the image data sets of traffic signs are constructed, and training sets and test sets are constructed according to the image data sets of traffic signs; secondly, the convolution neural network CNN is constructed; then, the image data of training sets are substituted into the convolution neural network CNN for training, and the trained model is saved; The image data of the test set is substituted into the trained model, and the prediction results are obtained.
【技术实现步骤摘要】
辅助驾驶的改进LeNet-5融合网络交通标志识别方法
本专利技术涉及图像识别领域,具体涉及一种辅助驾驶的改进LeNet-5融合网络交通标志识别方法。
技术介绍
目前信息化的时代,随着城市现代化建设的发展,汽车保有量急剧增加,交通拥堵,交通事故频繁发生,因此提高车辆行驶的安全性已成为现代城市智能交通系统的首要问题。近年来,辅助驾驶中的交通标志识别技术逐渐得到国内外研究人员的广泛关注。目前,交通标志分类识别的主要算法包括统计分类法、模板匹配法、稀疏编码法、神经网络法和遗传算法等。其中,基于卷积神经网络的交通标志识别算法因其自学习能力以及权值共享等优点得到国内外研究人员的高度关注。LeNet-5是一种经典的卷积神经网络结构,极大带动了CNN的发展。然而LeNet-5网络结构对交通标志图像等多类别目标进行分类识别时,准确率并不高。
技术实现思路
本专利技术的目的在于一种辅助驾驶的改进LeNet-5融合网络交通标志识别方法,以克服上述现有技术存在的缺陷,本专利技术改进的LeNet-5网络引入了卷积模块组、并适当更改卷积核数目和卷积核大小,同时引入BN层对输入数据进行规范化处理,使用Relu激活函数替换Sigmoid函数并引入融合层将浅层的和最后一层的特征进行叠加融合,以便将浅层的纹理信息和深层的抽象信息结合,使分类器分类的特征信息更多更清晰,以便获得更好的识别率。为达到上述目的,本专利技术采用如下技术方案:辅助驾驶的改进LeNet-5融合网络交通标志识别方法,包括以下步骤:步骤1:构建交通标志图像数据集,并根据交通标志图像数据集构建训练集和测试集;步骤2:构建卷积神经网 ...
【技术保护点】
1.辅助驾驶的改进LeNet‑5融合网络交通标志识别方法,其特征在于,包括以下步骤:步骤1:构建交通标志图像数据集,并根据交通标志图像数据集构建训练集和测试集;步骤2:构建卷积神经网络CNN;步骤3:将训练集图像数据代入卷积神经网络CNN,进行训练,并保存训练好的模型;步骤4:将测试集图像数据代入训练好的模型,进行预测,得到预测结果。
【技术特征摘要】
1.辅助驾驶的改进LeNet-5融合网络交通标志识别方法,其特征在于,包括以下步骤:步骤1:构建交通标志图像数据集,并根据交通标志图像数据集构建训练集和测试集;步骤2:构建卷积神经网络CNN;步骤3:将训练集图像数据代入卷积神经网络CNN,进行训练,并保存训练好的模型;步骤4:将测试集图像数据代入训练好的模型,进行预测,得到预测结果。2.根据权利要求1所述的辅助驾驶的改进LeNet-5融合网络交通标志识别方法,其特征在于,步骤1中构建的交通标志图像数据集为64*64*3的RGB图像,其中训练集与测试集中图像数据的个数比为8:2。3.根据权利要求1所述的辅助驾驶的改进LeNet-5融合网络交通标志识别方法,其特征在于,步骤2中所述的卷积神经网络CNN中,包含3个卷积层、3个池化层、1个融合层、1个平铺层及1个全连接层,其中:第一层为卷积层Conv1,卷积层Conv1的卷积核大小为5*5,卷积核数目为16,经过Conv1即得到16*60*60的特征图;第二层为池化层Max_pool2,池化层Max_pool2的池化尺寸为2*2,步长为2,经过Max_pool2即得到16*30*30的特征图;第三层为卷积层,且第三层为卷积模块组Inception_conv3:有四个分支,分别为Branch3_0、Branch3_1、Branch3_2、Branch3_3,其中Branch3_0使用12个1*1的卷积核;Branch3_1使用两个级联的卷积核,分别为8个1*1的卷积核和12个5*5的卷积核;Branch3_2将Branch3_1中的5*5的卷积核用两个3*3的卷积核替代,即Branch3_2由16个1*1、32个3*3、32个3*3的三级卷积核级联组成;Branch3_3由一个3*3的均值池化和8个1*1的卷积级联组成,经过卷积模块组Inception_conv3即得到64*30*30的特征图;第四层为池化层,且是一个最大值池化层Max_pool4,最大值池化尺寸为2*2,步长为2,经过Max_pool4即得到64*15*15的特征图;第五层为卷积层,且第五层为卷积模块组Inception_conv5,它与卷积模块组Incepti...
【专利技术属性】
技术研发人员:黄鹤,汪贵平,郭璐,李昕芮,王会峰,宋京,赵昆,许哲,盛广峰,黄莺,惠晓滨,何永超,李光泽,胡凯益,任思奇,刘琦妍,
申请(专利权)人:长安大学,
类型:发明
国别省市:陕西,61
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。