基于极限学习机和自适应提升的交通标志识别方法技术

本发明专利技术涉及计算机视觉与机器学习领域中的图像识别方法，为减少需要设置的参数，获得一个很高的识别率。本发明专利技术采用的技术方案是，基于极限学习机和自适应提升的交通标志识别方法，包括训练阶段和识别阶段；训练阶段：首先提取出交通标志数据库训练样本集中每一张交通标志的方向梯度直方图HOG特征，然后使用主成分分析PCA方法对提取出的HOG特征进行降维，然后初始化每一个训练样本的权重，接着用加权处理后的特征作为多个极限学习机ELM弱分类器的输入进行训练；识别阶段，用已经训练好的AdaBoost强分类器对测试图片进行识别，得到识别输出。本发明专利技术主要应用于图像识别场合。

【技术实现步骤摘要】

本专利技术涉及一种计算机视觉与机器学习领域中的图像识别方法，特别是涉及一种基于极限学习机(ELM)和自适应提升(AdaBoost)的交通标志识别方法。
技术介绍
交通标志识别系统是智能交通系统的重要组成部分，同时也是汽车辅助驾驶技术和无人驾驶技术的一个重要模块。由于道路交通环境的复杂性(比如雨雪天气、雾霾天气等)和交通标志的扭曲、遮挡、变形、污损等原因，使得交通标志的实时自动识别变得异常困难，容易出现错检、漏检现象，而现如今自然场景下的交通标志识别技术又尚不成熟，需要进行进一步的深入研究。2008年，Keller等人[1]提出了一种识别算法，针对限速类交通标志，算法首先对2880张训练样本进行训练，然后对1233张测试样本进行识别，最终得到的识别率为92.4％。该算法存在两大问题，一是识别的交通标志种类太少仅仅局限于限速类交通标志，二是识别率低容易出现错检、漏检现象。2010年，Bascón等人[2]对193类共36000幅交通标志进行训练和识别，算法采用的是支持向量机(SVM)技术，识别准确率达到95.5％，但该算法所采用的数据库并没有公开，识别率也不是太高。2011年，Boi等[3]提出了一种基于方向梯度直方图(HOG)特征和SVM的识别算法，该算法分为预处理阶段和训练识别阶段，预处理阶段提取出训练用交通标志数据库的HOG特征和色调直方图特征，训练识别阶段采用SVM进行训练和识别，算法最终的识别率为96.89％，但也同样存在计算复杂度高的问题。2011年，Ciresan和Meier[4]提出了一种基于卷积神经网络和多层感知技术的识别算法。该算法通过训练多列深层神经网络甚至得到了99.15％的识别率。但该算法对于多列深层神经网络的训练时间达到了50小时，计算复杂度特别高。2004年新加坡南洋理工大学的黄广斌教授[5]提出极限学习机(ExtreamLearningMachine,ELM)。ELM算法是一种基于单隐层前向反馈神经网络(SingleHiddenLayerFeedForwardNeuralNetworks，SLFNs)的监督型学习算法。假如输入为N个训练样本(xi,ti),i＝1,2,...,N，其中xi＝(xi1,xi2,…,xin)T∈Rn，ti＝(ti1,ti2,...,tiK)T∈RK，n和k分别为输入和输出神经元的个数。而标准的SLFNs模型为Σi=1Lβig(wi*xj+bi)=oj,j=1,2,...,N.---(1)]]>其中L为隐藏层神经元个数，wi＝(wi1,wi2,...,win)T为第i个隐藏层神经元与输入神经元之间的权重向量，βi＝(βi1,βi2,...,βiK)T为第i个隐藏神经元与输出神经元之间的权重向量，bi第i个隐藏神经元的阈值。g(x)为激活函数，本专利技术中选用的是sigmoidal函数g(x)=11+e-x.---(2)]]>标准的SLFNs模型能够做到零误差的逼近N个训练样本，即Σi=1L||oj-tj||=0.j=1,2,...,N.---(3)]]>即Σi=1Lβig(wi*xj+bi)=tj,j=1,2,...,N.---(4)]]>可进一步简化为Hβ＝T.(5)其中H为隐藏层神经元的输出矩阵，β为隐藏层神经元与输出神经元之间的输出权重，T为期望输出矩阵，如式(6)和(7)所示H=g(w1*x1+b1)...g(wL*x1+bL).........g(w1*xN+b1)...g(wL*xN+bL)N×L.---(6)]]>β=β1T...βLTL×K,T=t1T...tNTN×K---(7)]]>最终，可求得β的最小范数二乘解其中为H的Moore-Penrose广义逆矩阵，且可表示为其中，I为与HHT同维数的单位矩阵，C为可设置的常量值。自适应提升(AdaBoost)算法最早由Friedman[6]提出,是一种自适应增强型学习算法，能将若干弱分类器提升为分类精度更高的强分类器，几乎可以应用于所有目前流行的机器学习算法以进一步提升原算法的识别准确度，被广泛应用于二分类和多分类问题中。其本质思想是对错误分类的样本，通过弱分类器迭代调整使得被错误分类的样本权重加大，而对于正确分类的样本减小其训练权重，从而加大错误分类样本对弱分类器的影响，最终减小错误分类率，提升识别率。给定N个训练样本数据x＝{(x1,c1),(x2,c2),...,(xN,cN)本文档来自技高网...

【技术保护点】
一种基于极限学习机和自适应提升的交通标志识别方法，其特征是，包括训练阶段和识别阶段；训练阶段：首先提取出交通标志数据库训练样本集中每一张交通标志的方向梯度直方图HOG特征，然后使用主成分分析PCA方法对提取出的HOG特征进行降维，然后初始化每一个训练样本的权重，接着用加权处理后的特征作为多个极限学习机ELM弱分类器的输入进行训练，计算出每个极限学习机ELM弱分类器的训练误差，由当前弱分类器权重更新训练样本权重进入下一个ELM弱分类器的训练，以此类推可由M个极限学习机ELM弱分类器得到增强后的自适应提升AdaBoost强分类器；识别阶段，同样首先提取出测试样本集的方向梯度直方图HOG特征，然后经主成分分析PCA降维后得到测试样本集的特征矩阵，最后用已经训练好的AdaBoost强分类器对测试图片进行识别，得到识别输出。

【技术特征摘要】
1.一种基于极限学习机和自适应提升的交通标志识别方法，其特征是，包括训练阶段
和识别阶段；
训练阶段：首先提取出交通标志数据库训练样本集中每一张交通标志的方向梯度直方
图HOG特征，然后使用主成分分析PCA方法对提取出的HOG特征进行降维，然后初始化每一个
训练样本的权重，接着用加权处理后的特征作为多个极限学习机ELM弱分类器的输入进行
训练，计算出每个极限学习机ELM弱分类器的训练误差，由当前弱分类器权重更新训练样本
权重进入下一个ELM弱分类器的训练，以此类推可由M个极限学习机ELM弱分类器得到增强
后的自适应...

【专利技术属性】
技术研发人员：徐岩，王权威，韦镇余，马硕，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12