一种基于深度神经网络的交通标志分类方法技术

本发明专利技术公开了一种基于深度神经网络的交通标志分类方法，包括有以下步骤：A、基于光流方法的运动目标检测方法对读入的视频进行检测，当检测到有运动物体时，提取出感兴趣区域；B、利用固定大小的块对提取出的感兴趣区域进行分块处理；C、对分块处理后的图片进行缩放处理，转换成同样大小的图片；D、将转换后的图片作为输入，利用卷积神经网络进行分类。本发明专利技术方法对经过运动检测后的图像提起感兴趣区域，进而进行分块处理，并将得到的图片转换成同样大小后利用卷积神经网络进行处理，避免了人为假设类条件密度函数所带来的问题，极大地加快了测试速度、提高了精度。本发明专利技术作为一种基于深度神经网络的交通标志分类方法可广泛应用于交通领域。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了，包括有以下步骤：A、基于光流方法的运动目标检测方法对读入的视频进行检测，当检测到有运动物体时，提取出感兴趣区域；B、利用固定大小的块对提取出的感兴趣区域进行分块处理；C、对分块处理后的图片进行缩放处理，转换成同样大小的图片；D、将转换后的图片作为输入，利用卷积神经网络进行分类。本专利技术方法对经过运动检测后的图像提起感兴趣区域，进而进行分块处理，并将得到的图片转换成同样大小后利用卷积神经网络进行处理，避免了人为假设类条件密度函数所带来的问题，极大地加快了测试速度、提高了精度。本专利技术作为可广泛应用于交通领域。【专利说明】
本专利技术涉及交通领域，尤其是。
技术介绍
随着城市化的进展以及汽车的普及，机动车数量大量增加，交通拥挤加剧，交通事故频发，公路交通的安全以及运输效率问题变得日益突出。而基于计算机视觉的驾驶员支持系统是解决交通安全和运输效率问题的重要措施之一，在智能交通系统中逐渐获得应用，它的研究大致在道路识别、碰撞识别、交通标志识别等三方面进行。在道路识别、碰撞识别方面研究较早，也取得许多好的结果；但在交通标志识别方面研究较少，由于交通标志中包含许多重要的交通信息，如驾驶前方道路状况的改变、速度限制、驾驶行为限制等信息，适时提供这些信息给驾驶员有利于驾驶员适时反应，保证驾驶安全，避免交通事故的发生，具有重要的意义。 从交通标志的国家标准中，可以获得以下的先验知识:交通标志可以根据它的颜色进行分类:交通标志一般可分为警告、禁令、指示和指路标志等三类，每类交通标志具有不同的颜色。交通标志的形状、尺寸大小以及内部包含的字符、数字、几何图样等在标准中都有规定。交通标志通常安装在道路的右边，距离路边2 ~4.5m的位置。总之，利用这一知识，可减少搜索空间，大大加快交通标志识别的处理速度。 交通标志识别的难点:交通标志识别是通过安装在汽车上的摄影机摄取户外自然场景中交通标志图像，输入计算机进行处理完成的，它比一般的非自然场景下的目标志别更具挑战性，原因在于自然场景中存在多种因素影响交通标志的识别效果和执行效率: (I)户外自然场景中光照条件是变化的且不可控；(2)由于交通标志的运动和震动，使得交通标志的图像产生模糊；(3)交通标志牌安置在户外，由于天气条件、乱涂乱画以及灰尘影响而导致毁损；(4)虽然交通标志制作有国际标准，但各国执行的却是本国的国家标准，因而不能用国际标准作为分类的样本库；(5)交通标志的识别必须能应用在实时环境中。 近些年来，我国的大量研究机构、学校也都纷纷参与到交通标志识别研究这一领域当中，并且也取得了一定的研究成果。例如:1、广东工业大学的杨海东等人提出的一种基于SURF的交通标志识别方法及系统(CN103544484A),该方法提高了交通标志识别的效率；2、广东工业大学的蔡念、梁文昭等人提出的一种低照度场景下的户外交通标志识别方法(CN102881160A)，该专利技术为一种鲁棒性较强、准确率较高的户外交通标志识别方法；3、北京交通大学的袁雪、张晖等提出的一种交通标志识别方法(CN102799859A)，该专利技术的方法不仅保留了 SIFT特征对于图像尺度变化和旋转具有不变性的优点，而且使提取的特征量更便于判别颜色及空间位置特征，对于色彩丰富及空间位置分布变化各异的交通标志识别极为有效；4、浙江大学的王东辉、邓霄等提出的一种基于稀疏表达和字典学习进行交通标志识别的方法(CN102024152A)，该专利技术利用稀疏表达和概率方法实现交通标志图片的分类，达到较高的交通标志识别率；5、奇瑞汽车股份有限公司的孙锐、王继贞等人提出的一种多特征的分层交通标志识别方法(CN103390167A)，该方法通过基于颜色的侦测方法解决了交通标志识别中准确率不高、实时性差的问题。 总之，现有技术中交通标志识别一般包括侦测和分类两个模块，侦测阶段一般是利用交通标志的色彩或形状特征侦测出可能包含交通标志的区域，然后将感兴趣的区域进行大小规则化，在分类阶段进一步判定交通标志区域的有效性并识别出交通标志的含义。 侦测方法可分为基于颜色的侦测和基于形状的侦测两类。基于颜色的侦测方法:颜色信息具有大小和视角不变性，而且有较强的可分离性，故颜色信息对于交通标志的侦测是非常重要的，在几乎所有的交通标志识别系统中都利用了颜色信息。基于颜色的侦测方法是最为基本的侦测方法，它通过在摄取到的图像中对交通标志典型颜色进行分割，侦测出感兴趣的区域。这类方法中又可以分为三类:(O彩色阈值分割法:在这类算法中，色彩空间的选择是很重要的。最直观的是选择RGB空间，直接通过设定的阈值进行分割。 (2)基于神经网络学习的方法。为克服空间转换的非线性以及噪声的影响，可采用基于神经网络学习的方法。这类方法由于采用离线训练，在线侦测，实时性较好，而且具有一定的泛化能力，可降低噪声的影响；但缺点在于神经网络的构造、隐节的个数和层数的选择都依靠训练集的代表性，而建立包含各种情况的数据库不是易事。 (3)基于视觉模型的方法。为克服各种视觉条件的影响，通过视觉模型对交通标志进行侦测，在许多项目中也获得应用。这类基于模型的方法考虑了人类视觉特点和环境条件，有一定的效果，但应用时要根据环境条件确定参数，较为复杂，而且对于遮掩、交通标志的污损等情况考虑较少。基于形状的方法:虽然基于颜色的侦测方法具有直接聚焦的特点，但由于受到光照和天气变化等影响，仅仅依靠颜色信息不能精确侦测出交通标志的区域，而从机器人学的场景分析、三维物体识别、在CAD数据库中的部件定位研究中发展起来的利用图像梯度的基于形状的方法，可不受光照的影响，在交通标志侦测研究中获得重视。基于颜色和基于形状这两种方法的结合，是交通标志侦测研究的最合适的方法。目前，大多数基于形状的侦测方法都是建立在基于颜色的侦测方法之上。在交通标志识别方面，基于形状的方法又可以分为基于边缘轮廓方法和基于模板匹配方法。基于边缘轮廓方法是最基本的方法，目前有多种成熟的边缘提取方法可供选择，在提取出的边缘上再进行分析，但上述方法的缺点在于交通标志分类方面的精度和检测速度很难得到兼顾。
技术实现思路
为了解决上述技术问题，本专利技术的目的是:提供一种基于深度神经网络的高精度和快速检测的交通标志分类方法。 本专利技术所采用的技术方案是:，包括有以下步骤:A、基于光流方法的运动目标检测方法对读入的视频进行检测，当检测到有运动物体时，提取出感兴趣区域；B、利用固定大小的块对提取出的感兴趣区域进行分块处理； C、对分块处理后的图片进行缩放处理，转换成同样大小的图片；D、将转换后的图片作为输入，利用卷积神经网络进行分类。 进一步，所述步骤B具体为:B1、利用固定大小的块对提取出的感兴趣区域进行分块得到分块图片；B2、利用固定大小的块移动一个像素后，对提取出的感兴趣区域进行分块得到分块图片;B3、重复执行步骤B2得到多个分块图片。 进一步，所述步骤B中固定大小的块的大小为NXN，N的取值为50_70。 进一步，所述步骤C中转换后图片的大小为32X32。 进一步，所述步骤D中的卷积神经网络包括有7层，依次为第一卷积层、第一下采样层、第二卷积层、第二下采样层、第三卷积层、特征向本文档来自技高网...

【技术保护点】
一种基于深度神经网络的交通标志分类方法，其特征在于：包括有以下步骤：A、基于光流方法的运动目标检测方法对读入的视频进行检测，当检测到有运动物体时，提取出感兴趣区域；B、利用固定大小的块对提取出的感兴趣区域进行分块处理；C、对分块处理后的图片进行缩放处理，转换成同样大小的图片；D、将转换后的图片作为输入，利用卷积神经网络进行分类。

【技术特征摘要】

【专利技术属性】
技术研发人员：贺庆，冷斌，官冠，胡欢，蒋东国，
申请(专利权)人：广州中国科学院先进技术研究所，
类型：发明
国别省市：广东;44