具有自我学习能力的实时交通信号识别方法及系统技术方案

本发明专利技术公开了一种具有自我学习能力的实时交通信号识别方法及系统，其中具有自我学习能力的实时交通信号识别方法，包括将采集的图像数据进行检测，从而得到交通标志图像的步骤；对上述检测到的交通标志图像采用基于降维的方法进行识别的步骤。通过对采集的图像数据进行检测，得到交通标志图像，并对交通标志图像进行降维处理，然后与分类库进行比对，从而得出交通标志图像的含义，并通过自我学习对降维的映射矩阵进行更新，从而使得交通标记的识别更加准确，而采用的降维方法运行速度快，从而达到了快速准确的识别交通标记的目的。

【技术实现步骤摘要】
具有自我学习能力的实时交通标记识别方法及系统
本专利技术涉及交通标志识别
，具体地，涉及一种具有自我学习能力的实时交通标记识别方法及系统。
技术介绍
随着Google无人驾驶汽车的发布，智能交通再一次成为人们热议的话题，在当前的道路交通组织方式下，无人驾驶要融入现有道路交通环境中，必须要解决交通标志的识别问题。另一方面，如果汽车或者车载设备能够识别交通标志，无疑将降低驾驶员的负担，带来更便捷的驾驶体验，与汽车控制系统联动，会带来更智能的驾驶方式，可以减少交通事故发生率。目前，在计算机系统上，已经提出了一些交通标志识别算法，但是这些成果大部分仅限制在研究和实验领域，或者只是运行在PC上，并没有应用于实际的汽车或车载设备中，经过调查分析，认为现有技术面对或存在以下问题：1)缺少合适的环境图像采集设备，2)算法识别率低，不能满足自动识别的需求，3)算法训练周期长，运行开销大，无法满足实时场景。
技术实现思路
本专利技术的目的在于，针对上述问题，提出一种具有自我学习能力的实时交通标记识别方法及系统，以实现快速准确的识别交通标记的优点。为实现上述目的，本专利技术采用的技术方案是：一种具有自我学习能力的实时交通标记识别方法，包括将采集的图像数据进行检测，从而得到交通标志图像的步骤；对上述检测到的交通标志图像采用基于降维的方法进行识别的步骤；上述基于降维的方法为：将交通标志图像表示为一个矩阵X，X为高维矩阵，然后将X通过一个线性映射投影到一个低维空间，将X对应的低维空间矩阵表示为y，则映射关系为：y＝XAT，其中，A是映射矩阵，是通过训练得到的，具体为，在初始化阶段，训练库预先设定样本为训练库，通过预先设定的样本，得到映射矩阵A，在实际运用中采集到新的交通标志图像后，将代表新的交通标志图像的特征矩阵利用A映射到一个低维空间，然后利用分类器将低维映射值与样本映射值分类，得出新的交通标志图像属于哪类，最终得到识别结果，如果识别正确，则不做处理，如果识别错误，则将新的交通标志图像发送给云端服务器，云端服务器将其加入到训练库中，重新训练得到新的映射矩阵A′，得到A′后，使用网络将该映射矩阵传输到安装在移动终端上的数据处理模块，使用A′替换A，即A′成为新映射矩阵。优选的，上述利用分类器将低维映射值与样本映射值分类中的分类器至少包括最近邻分类器和支持向量机分类器。优选的，上述基于降维的识别方法，方法为基于稀疏表示的图嵌入方法。优选的，所述基于稀疏表示的图嵌入方法具体为：步骤401：将训练库中的交通标志图像进行分类得到分层图结构，在不同的层分别构建类内图和类间图；步骤402：将上述分层图结构应用到图嵌入框架下，得到如下目标函数：其中：y表示低维空间矩阵，X表示采集的样本集合，Ww表示类内图的权重矩阵，Wb表示类间图的权重矩阵，Lw和Lb分别是类内图和类间图的拉普拉斯特征矩阵，定义为L＝D-W，D是一个对角矩阵，其对角元素的值由Dii＝∑jwij计算得到，其余位置元素值为0，子空间映射矩阵A通过求解如下式得到：AXTLwXAT＝λAXTLbXAT，假设a1，a2，……ad为求解上式得到的特征向量，λ1，λ2，……λd为对应的特征值，并且满足条件λ1<λ2<……<λd，映射关系表示为：X→y＝XAT，A＝[a1，a1，......ad]；步骤403：引入稀疏表示优化步骤402中的图嵌入；具体为首先，目标函数初步定义为：为了使A满足稀疏性在目标函数中加入如下的正则项：min||A||2，1，将步骤402中的f转化为如下等价公式：minyTLwys.t.yTLby＝I，得到最终的目标函数：s.t.yTLby＝I，其中，ω＞0为平衡参数。将L对A求导，并令导数为零，得到A的表达式为：其中，Δ是对角矩阵，其对角元素由以下公式计算非对角位置元素值为0。将得到的A带入到最终目标函数L中，然后用拉格朗日法解最优化问题，优化解为下式前d个最小特征值对应的特征向量：Γy＝λLby，其中，使用迭代法来解决此优化问题，即首先固定A，求解y，然后使用得到的y去更新A，如此往复，直到A和y收敛。优选的，所述将检测的交通标志图像进行分层得到分层图结构具体为：采用类内图和类间图的方法，所述类内图：每类数据进行局部近邻链接，采用k近邻方法，根据实验效果，调整参数k的值，对于有链接的边，赋予权重，权重采用热核函数定义，然后每类的权重矩阵，组合起来，为类内图的权重矩阵Ww；其中热核函数的定义为如果节点i和j之间存在连接，则设置权值wij＝exp(-||xi-xj||2/σ2)，否则权值设为0。所述类间图：由于交通标记的特殊性，即某几类信号的相似度很高，存在小类的情况，因此，先对信号进行分类，标记好大类的记号，寻找一类与其他几类最近的点，进行链接，权重矩阵采用热核函数定义，然后对于大类之间，选取一大类与其他大类间最近的点进行连接，赋予权重值，获得类间图的权重矩阵Wb。优选的，上述类内图的k＝4。同时本专利技术技术方案还公开一种运行具有自我学习能力的实时交通标记识别方法的系统，包括图像采集模块、结果输出模块和数据处理模块，所述图像采集模块采集的数据经数据处理模块处理后通过结果输出模块显示，所述图像采集模块和结果输出模块采用智能移动终端，所述数据处理模块由智能移动终端和云端服务器完成，具体为简单快速的线性运算由智能移动终端完成，所述线性运算包括特征降维和分类器，训练过程由云端服务器完成，且云端服务器和智能移动终端双向通信。优选的，所述智能移动终端为具有摄像头的智能手机。本专利技术的技术方案具有以下有益效果：本专利技术的技术方案，通过对采集的图像数据进行检测，得到交通标志图像，并对交通标志图像进行降维处理，然后与分类库进行比对，从而得出交通标志图像的含义，并通过自我学习对降维的映射矩阵进行更新，从而使得交通标记的识别更加准确，而采用的降维方法运行速度快，在当前主流手机硬件配置水平下可以满足实时场景的应用，从而达到了快速准确的识别交通标记的目的。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。附图说明图1为本专利技术实施例所述的具有自我学习能力的实时交通标记识别方法及系统的原理框图；图2a、图2c和图2e为二维数据示意图；图2b、图2d和图2f为采用LPP、LDA以及LDAoverLPP算法降维后的一维数据示意图；图3为本专利技术实施例所述的分层图结构示意图；图4为本专利技术实施例所述的类内图构建示意图；图5a和图5b为本专利技术实施例所述的类间图的构建示意图；图6为本专利技术实施例所述的具有自我学习能力的实时交通标记识别方法应用示意图。结合附图，本专利技术实施例中附图标记如下：1-检测标记；2-图像捕捉工作区；3-识别结果显示区；4-设置菜单；5-切换镜头；6-语音提示；7-反馈结果；8-识别图像；9-实时识别。具体实施方式以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。一种具有自我学习能力的实时交通标记识别方法，包括将采集的图像数据进行检测，从而得到交通标志图像的步骤；对上述检测到的交通标志图像采用基于降维的方法进行识别的步骤；上述基于降维的方法具体为：目前主流的交通标志识别方法，在性能准确率上能达到甚至本文档来自技高网...

【技术保护点】
一种具有自我学习能力的实时交通信号识别方法，其特征在于，包括将采集的图像数据进行检测，从而得到交通标志图像的步骤；对上述检测到的交通标志图像采用基于降维的方法进行识别的步骤；上述基于降维的方法为：将交通标志图像表示为一个矩阵X，X为高维矩阵，然后将X通过一个线性映射投影到一个低维空间，将X对应的低维空间矩阵表示为Y，则映射关系为：Y＝XAT，其中，A是映射矩阵，是通过训练得到的，具体为，在初始化阶段，训练库预先设定样本为训练库，通过预先设定的样本，得到映射矩阵A，在实际运用中采集到新的交通标志图像后，将代表新的交通标志图像的特征矩阵利用A映射到一个低维空间，然后利用分类器将低维映射值与样本映射值分类，得出新的交通标志图像属于哪类，最终得到识别结果，如果识别正确，则不做处理，如果识别错误，则将新的交通标志图像发送给云端服务器，云端服务器将其加入到训练库中，重新训练得到新的映射矩阵A′，得到A′后，使用网络将该映射矩阵传输到安装在移动终端上的数据处理模块，使用A′替换A，即A′成为新映射矩阵。

【技术特征摘要】
1.一种具有自我学习能力的实时交通标记识别方法，其特征在于，包括将采集的图像数据进行检测，从而得到交通标志图像的步骤；对上述检测到的交通标志图像采用基于降维的方法进行识别的步骤；上述基于降维的方法为：将交通标志图像表示为一个矩阵X，X为高维矩阵，然后将X通过一个线性映射投影到一个低维空间，将X对应的低维空间矩阵表示为y，则映射关系为：y＝XAT，其中，A是映射矩阵，是通过训练得到的，具体为，在初始化阶段，训练库预先设定样本为训练库，通过预先设定的样本，得到映射矩阵A，在实际运用中采集到新的交通标志图像后，将代表新的交通标志图像的特征矩阵利用A映射到一个低维空间，然后利用分类器将低维映射值与样本映射值分类，得出新的交通标志图像属于哪类，最终得到识别结果，如果识别正确，则不做处理，如果识别错误，则将新的交通标志图像发送给云端服务器，云端服务器将其加入到训练库中，重新训练得到新的映射矩阵A′，得到A′后，使用网络将该映射矩阵传输到安装在移动终端上的数据处理模块，使用A′替换A，即A′成为新映射矩阵；上述利用分类器将低维映射值与样本映射值分类中的分类器至少包括最近邻分类器和支持向量机分类器；上述基于降维的识别方法，方法为基于稀疏表示的图嵌入方法；所述基于稀疏表示的图嵌入方法具体为：步骤401：将训练库中的交通标志图像进行分类得到分层图结构，在不同的层分别构建类内图和类间图；步骤402：将上述分层图结构应用到图嵌入框架下，得到如下目标函数：其中，i和j是索引，取值范围为0到训练样本总个数，yi表示第i个训练样本在低维空间的映射，yj表示第j个训练样本在低维空间的映射其中：y表示低维空间矩阵，X表示采集的样本集合，Ww表示类内图的权重矩阵，Wb表示类间图的权重矩阵，Lw和Lb分别是类内图和类间图的拉普拉斯特征矩阵，定义为Lw＝Dw-Ww，Lb＝Db-Wb，Dw和Db是两个对角矩阵，其对角元素的值分别由Ww和Wb对应行的所有元素求和得到其余位置元素值为0，即D是一个对角矩阵，Dii＝∑jwij，子空间映射矩阵A通过求解如下式得到：AXTLwXAT＝λAXTLbXAT，假设a1，a2，……,ad为求解上式得到的特征向量，λ1，λ2，……,λd为对应的特征值，并且满足条件λ1<λ2<……<λd，映射关系表示为：X→y＝XAT，A＝[a1，a1，……ad]；步骤403：引入稀疏表示优化步骤402中的图嵌入；具体为首先，目标函数定义为：为了使A满足稀疏性...

【专利技术属性】
技术研发人员：李晶晶，鲁珂，谢昌元，张旭，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51