辅助驾驶的改进LeNet-5融合网络交通标志识别方法技术

本发明专利技术公开了辅助驾驶的改进LeNet‑5融合网络交通标志识别方法，首先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；其次构建卷积神经网络CNN；然后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；最后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。

Improved LeNet-5 Fusion Network Traffic Sign Recognition Method for Auxiliary Driving

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。进一步地，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。进一步地，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Inception_conv3的结构完全相同，同样有四个分支，分别为Branch5_0、Branch5_1、Branch5_2、Branch5_3，但是卷积核数目不同，分别为128，128，192，64；经过卷积模块组Inception_conv5即得到512*15*15的特征图；第六层为池化层，且是最大值池化层Max_pool6，池化尺寸为3*3，步长为3，经过Max_pool6得到512*5*5的特征图；将池化层Max_pool2和卷积层Inception_conv3的特征进行叠加融合形成融合层Fusion，得到80*30*30的特征图；第七层为平铺层Flatten，将融合层Fusion和Max_pool6得到的特征图一起送入平铺层Flatten，得到1*1*84800的向量；第八层是全连接层，全连接数目分别为4096，1000，62，其中在全连接层FC1和全连接层FC2中使用dropout技术；最后进一步输入到Softmax层进行分类输出。进一步地，步骤2中构建卷积神经网络的过程中，每一层都使用BN层对输入数据进行批规范化处理。进一步地，步骤3中对卷积神经网络CNN的训练的超参数设置如下：批量样本数量Mini-batch＝256，迭代次数Train_num＝1000次，初始学习率Learn_rate＝0.05，使用指数衰减法对学习率进行衰减，衰减因子Deacy＝0.96，BN层的权重衰减项设为Weight_Deacy＝0.005。进一步地，步骤3中实验环境是基于Linux系统下的Tensorflow深度学习平台，处理器为Intelcorei7-7700k，主频为4.2G-HZ，内存为16GB，显卡为NVdiaGTX1080TI，GPU显存为11GB。进一步地，步骤3中使用小批量梯度下降法对卷积神经网络CNN进行训练。与现有技术相比，本专利技术具有以下有益的技术效果：本专利技术改进后的网络识别正确率可以达到98％以上，与CNN+SVM网络、传统的LeNet-5网络相比，改进网络正确率得到显著提升，相比CNN+SVM以及传统的LeNet-5网络分别提高了约5％和3％，显著提高了图像识别的准确率。进一步地，本专利技术中引入卷积模块组Inception，对同一输入的不同卷积核映射产生的特征图进行叠加融合，增加网络深度的同时，增强了网络特征提取的能力。进一步地，本专利技术将池化层Max_pool2和卷积层Conv3的特征进行叠加融合，形成融合层Fusion，然后将Max_pool6和融合层Fusion一起传入全连接层。这样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。进一步地，通过BN层的使用，对输入的批量样本进行规范化处理以改善神经网络的输入，从而在加速网络训练的同时，有效避免了网络过拟合和梯度消失等问题。附图说明图1为本专利技术算法的流程示意图；图2为具体卷积过程示意图；图3为最大值池化和平均池化方式具体过程的池化示意图；图4为梯度下降示意图；图5为传统LeNet-5网络的结构图；图6为改进LeNet-5融合网络结构图；图7为可视化特征图，其中(a)为Max_pool2池化层后的特征图，(b)为Inception_conv3卷积层后的特征图，(c)为Inception_conv5卷积层后的特征图，(d)为Max_pool5池化层后的特征图；图8Loss曲线；图9为学习率衰减曲线；图10为正确率曲线。具体实施方式下面结合附图对本专利技术作进一步详细描述：1卷积神经网络1.1卷积层在卷积神经网络中，卷积层用于特征提取。上一层的特征图featuremap输入后，每个卷积核都与它作卷积，卷积核以一定步长在特征图上进行滑动，每滑动一次作一次卷积运算，最终就得到此层的一个特征图featurem本文档来自技高网...

【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