本发明专利技术属于计算机应用技术领域机器学习理论及应用子领域，关注于智能交通技术中的交通标志识别问题。其特征是使用一种多分辨率卷积神经网络交通标志识别方法，用于解决使用卷积神经网络进行交通标志识别时速度较慢的问题，使用不同分辨率的二维图像作为输入，并行运算两个相同结构的卷积神经网络进行特征映射和提取，而后基于网络训练的权值阈值进行精确分类和识别。本发明专利技术通过使用两个具有不同分辨率分支的CNN代替了基本的CNN结构，高分辨图像输入可映射出全局和轮廓的特征，低分辨率的图像可映射出局部和细节特征，保证了识别的分辨率，提高了模型训练速度。
【技术实现步骤摘要】
本专利技术属于计算机应用
机器学习理论及应用子领域，本专利技术专利关注于 智能交通技术中的交通标志识别问题。提出一种多分辨率卷积神经网络交通标志识别方 法，用于解决使用卷积神经网络进行交通标志识别时速度较慢的问题，使用不同分辨率的 二维图像作为输入，并行运算两个相同结构的卷积神经网络进行特征映射和提取，而后基 于网络训练的权值阔值进行精确分类和识别。既保证了提取的图像特征的多样性，又提升 了网络的运算速度，有效兼顾了识别精度和识别速度。
技术介绍
交通标志是道路交通系统的一个重要组成部分，其作用主要包括显示当前路段的 交通状况，提示驾驶环境中的危险和困难、警告驾驶员、为驾驶员指路等，为安全舒适的驾 驶提供有用信息。如果完全靠驾驶员自己注意和发现交通标识并做出正确的反应，难免会 增加驾驶负担，加速疲劳，严重地可能会导致交通事故。因此，安全可靠快速的交通标识识 别系统显得越来越重要，大量研究研人员也都致力于该一领域的研究。 最早的交通标志识别始于上世纪70年代初，但直到80年代中期W后，才进入高速 发展时期。 1987年，日本展开了对道路交通标志的检测、识别的研究。2000年，日本高校研发 了每秒可检测60帖的交通标志识别系统（Miura J, Kanda T,化irai Y. An active vision system for real-time traffic sign recognition. //Intelligent Transportation Systems, 2000. Proceedings. 2000 I邸E. IE邸，2000:52-57.)，该系统义用了两台摄像机， 分别固定在汽车内，W便采集到具有高质量的图像，一台用于粗定位，一台用于采集，通过 阔值分割和模板匹配达到了很高的识别准确率。 20世纪90年代初，德国梅赛德斯奔驰公司的Lutz Priese等人研究出了当时技术 最为领先的交通标志自动识别系统（Priese LKlieber J,Lakmann R,et al. New results on traffic sign recognition//Intelligent Vehicles'94 Symposium, Proceedings of the. I邸E, 1994:249-254)，该系统包括 CSC(Color StrucUire Code)和 TSR(Traffic Sign Recognition)，在颜色编码W及形状特征和模板识别等方面取得了一定的研究成果。 2008年，Mobileye公司与Continental公司合作开发的交通标志识别系统应用于 宝马7系列汽车，2009年又用于奔驰S级汽车，该系统对限速标志实现了高准确性的实时监 巧。，主要采用了前置摄像头和专用处理器相结合的方法。 交通标志识别一般包括两个主要步骤；检测与识别。在检测阶段，根据标志的特征 (如颜色与形状）对图像进行预处理和分割，去除无效信息对识别的干扰，只对目标可能存 在的区域进行处理，减少计算量。在识别阶段，对目标所在区域，用不同的方法提取特征，并 用合适的分类算法对该些区域进行分类，得到交通标识的类型信息。[000引当前，常用的交通标志检测的算法主要有=类：基于颜色的方法，基于形状的方 法和基于颜色与形状相结合的方法。 基于颜色的方法是应用最广泛的，其主要算法按照颜色空间的不同主要有四种： RGB彩色空间的阔值分割算法；HIS彩色空间的阔值分割算法；服V彩色空间的阔值分割算 法；除了上述=种常用的彩色空间之外，还有YCB化彩色空间和LAB彩色空间等不常用彩色 空间。 由于交通标志一般具有固定且简单的形状，基于形状特征的检测算法也被研究人 员广泛应用，常用的方法有；模板匹配法；册UGH变换法；拐角检测法；神经网络；数学形态 学的方法等。 基于颜色的检测和基于形状的检测各有优缺点，基于颜色的检测简单，计算量小， 但易受光照、阴雨天气、图像噪声等环境因素影响。基于形状的方法对光照等外部环境的 鲁椿性更好，且各个国家交通标志的形状基本相似，该种方法的通用性较强，基于形状的方 法缺点是容易受形状相似的物体影响，比如方形的窗户、广告牌等且当距离交通标志较远 时，不容易提取形状。因此，很多研究人员都采用颜色和形状特征相结合的方法（Torresen J, Bakke J 胖，Sekanina L. Efficient recognition of speed limit signs// Intelligent Transportation Systems. 2004:652-656.)来确定最终结果。 交通标识识别常用的方法大致有两类；一类是特征提取算法，另一类是机器学习 的算法。特征提取算法中典型的有：主成分分析方法PCA ;G油or特征提取算法出aar小波 特征提取算法；类化ar特征提取算法等。机器学习目前存在的主要算法有；K順算法；决策 树；神经元网络；支持向量机SVM ;Ad油oost算法等。 随着神经网络的发展，近年来，基于深度学习的卷积神经网络（Le化n Y，Bengio Y.Convolutional networks for images, speech, and time series. The handbook of brain theoiT and neural networks, 1995, 3361.)被广泛的应用于语音、图像 和自然语言的识别，并取得了很好的成绩。而在交通标志识别领域，Cir巧an D等 人提出了的多纵卷积神经网络（基于多纵深度神经网络的交通标志识别，Cir巧an D, Meier U, Masci J, et al. Multi-column deep neural network for traffic sign classification^]. Neural Networks, 2012, 32:333-338. ) W 及 Sermanet P 和 Le化n Y等人提出的多尺度卷积神经网络（基于多尺度卷积神经网络的交通标志识别 Sermanet P,LeCun Y.Traffic sign recognition with multi-scale convolutional networks//Neural Networks(IJCNN), The 2011 International Joint Conference on. IE邸，2011:2809-2813.)，充分的提取图像特征，取得了较高的识别率，在GTSRB(德国 交通标志识别基准）竞赛中取得了很好的成绩，甚至超过了人类的识别率。 虽然卷积神经网络在识别准确率上取得了良好的效果，但是其运算速当前第1页1 2 本文档来自技高网...
【技术保护点】
一种基于多分辨率卷积神经网络的交通标志识别方法，其特征在于步骤：(1)图像预处理阶段对所有训练集中的图像进行预先的处理，根据网络训练要求，将训练图片首先进行归一化，处理为灰度图像，统一为A*A的分辨率作为一个输入，并截取此图像分辨率为B*B的中心部分作为另一个输入；使用的多分辨率卷积神经网络执行的是有监督的训练，其样本集一个个向量对组成的，一个输入对应一个理想输出；在开始训练前，所有的权值都用一些不同的小随机数进行初始化；(2)MRCNN网络训练阶段1)前向传播阶段①从样本集中取两个样本对(xh,yh)、(xl,yl)，将xh、xl分别作为两个卷积神经网络的输入；②两个卷积神经网络分别进行第一次卷积；卷积过程包括：用一个可训练的滤波器fx去卷积输入的图像，第一阶段是输入的图像，后面的阶段就是卷积特征map了，然后加一个偏置bx，得到卷积层C1；③将卷积层C1得到的特征图作为输入进行采样；采样过程包括：每邻域四个像素求和变为一个像素，然后通过标量Wx+1加权，再增加偏置bx，然后通过一个sigmoid激活函数，产生一个大概缩小四倍的特征映射图Sx+1,得到抽样层S2；④重复第2、3步分别得到各卷积神经网络的C3层和S4层；⑤计算相应的实际输出Oh、Ol；在前向传播阶段，信息经过输入层、隐含层的卷积和抽样，最终传送到输出层；其输出用公式(1)表示：O＝Fn(……(F2(F1(x*w1)w2)……wn) (1)2)向后传播阶段①计算实际输出Oh、Ol与相应的理想输出Yh、Yl的差；②按极小化误差的方法反向逐层分别调整两个卷积网络的权矩阵；这里将Ep定义为第p个样本的误差，则整个样本集的误差可以用公式(2)表示：Ep=12Σj=1m(ypj-opj)2---(2)]]>至此1次迭代完成，保存调整后的权值，重复第一阶段，直至达到设定的迭代次数后，训练结束，保存并把此权值输出给验证集以验证；(3)准确率验证阶段使用训练集的五分之一的数据进行验证输入的权值，将输入和映射的结果进行对比，输出错误率，如果错误率达到满意的要求，则进行测试识别，否则，调整输入图像的分辨率或者增加迭代次数重新进行训练；(4)图像识别阶段将检测到的交通标志图像经过预处理之后，使用训练好权值的网络模型进行识别并输出其对应的类别。...
【技术特征摘要】
【专利技术属性】
技术研发人员：葛宏伟，谭贞刚，孙亮，何鹏程，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21
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。