一种基于图像显著性和深度学习的交通道路标志识别方法技术

本发明专利技术公开了一种基于图像显著性和深度学习的交通道路标志识别方法。所述方法首先由卷积神经网络(CNN)生成一个网络(Alexnet),然后通过从ImageNet数据集中获取交通道路标志图片，对训练图片进行归一化预处理之后输入网络，然后训练AlexNet网络。再将测试图片进行RC显著性提取之后输入训练好的Alexnet卷积神经网络，进行交通道路标志的测试分类。本发明专利技术结合了图像显著性高效提取显著区域和深度学习在图片识别中的优势，达到对交通道路标志图片进行精准分类的目的。

【技术实现步骤摘要】
一种基于图像显著性和深度学习的交通道路标志识别方法
本专利技术属于图像识别
，特别是涉及一种基于卷积神经网络模型的交通道路标志的图像识别方法。
技术介绍
随着经济的发展，现代交通已经非常发达，而道路交通仍占据主导地位。但是，交通安全和交通阻塞随之成了日益严重的社会问题，同时也造成了惊人的经济损失。再加上环境污染和能源等问题，就使得道路交通问题的解决不得不求助于智能技术。智能交通系统这一研究领域便应运而生，并迅速发展起来。道路交通标志识别是智能交通系统研究领域中尚未解决的难题之一，也是难度较大的实景图形识别问题之一。虽然道路交通标志识别的研究工作已经取得了一定的成果，但还存在不少问题和缺陷。主要有：1、偏重理论研究的比较多，面向应用研究的少。许多理论与方法的提出都是建立在标准图或某种局部情况的基础上，而没有考虑到更多实际应用中的需求。2、处理方法比较单一，智能方法少，智能方法与其他方法的结合很少。目前采用的处理方法也主要使用了神经网络和遗传算法等智能方法，许多方法都是对传统方法的改进或应用，但是很少会将智能方法与其他方法相结合。3、大多数实验对象都是基于标准图的，针对实景图的研究本文档来自技高网...

【技术保护点】
一种基于图像显著性和深度学习的交通道路标志识别方法，其特征在于，包括如下步骤：S1、下载训练数据集；S2、预处理，对步骤S1中数据集中的图像进行预处理；S3、训练卷积神经网络模型；S4、显著性提取；采用了区域对比度方法，提取测试图片中的道路交通标志；S5、将步骤S4中提取到的道路交通标志图片输入到步骤S3中训练好的卷积神经网络模型中，通过卷积神经网络模型识别出交通道路标志图像的类别。

【技术特征摘要】
1.一种基于图像显著性和深度学习的交通道路标志识别方法，其特征在于，包括如下步骤：S1、下载训练数据集；S2、预处理，对步骤S1中数据集中的图像进行预处理；S3、训练卷积神经网络模型；S4、显著性提取；采用了区域对比度方法，提取测试图片中的道路交通标志；S5、将步骤S4中提取到的道路交通标志图片输入到步骤S3中训练好的卷积神经网络模型中，通过卷积神经网络模型识别出交通道路标志图像的类别。2.根据权利要求1所述的一种基于图像显著性和深度学习的交通道路标志识别方法，其特征在于，步骤S1中下载训练数据集，数据集来自2015年全国模糊图像处理竞赛与内容分析竞赛中的交通标志识别训练集，涉及到的交通标识分为警告标识、禁令标识、指示标识、指路标识、旅游区标识、道路施工安全标识和辅助标识7个大类；图像中标识的质量包括清晰、模糊、遮挡、阴影和倾斜5种类型。3.根据权利要求1所述的一种基于图像显著性和深度学习的交通道路标志识别方法，其特征在于，步骤S2预处理具体过程如下：每一张图像，将图像缩放到256×256大小，然后从图像上中下左右5处截取5张大小为224×224的标准尺寸图像，并将标准尺寸图像与其相对应的类别成对保存，一个“标准尺寸图像-类别”对作为一个数据。4.根据权利要求1所述的一种基于图像显著性和深度学习的交通道路标志识别方法，其特征在于，步骤S3卷积神经网络工作流程如下，输入层由32×32个感知节点组成，接收原始图像A，然后，计算流程在卷积和子抽样之间交替进行，具体如下所述：第一隐藏层进行卷积，它由8个特征映射组成，每个特征映射由28×28个神经元组成，每个神经元指定一个5×5的接受；第二隐藏层实现子抽样和局部平均，它同样由8个特征映射组成，但其每个特征映射由14×14个神经元组成；每个神经元具有一个2×2的接受域，一个可训练偏置和一个sigmoid激活函数；可训练系数和偏置控制神经元的操作点；第三隐藏层进行第二次卷积，它由20个特征映射组成，每个特征映射由10×10个神经元组成；该隐藏层中的每个神经元可能具有和下一个隐藏层几个特征映射相连的突触连接，它以与第一个卷积层相似的方式操作；第四隐藏层进行第二次子抽样和局部平均计算；它由20个特征映射组成，但每个特征映射由5×5个神经元组成，它以与第一次抽样相似的方式操作；第五隐藏层实现卷积的最后阶段，它由120个神经元组成，每个神经元指定一个5×5的接受域；最后是个全连接层，得到输出向量。5.根据权利要求1所述的一种基于图像显著性和深度学习的交通道路标志识别方法，其特征在于，步骤S4对测试图片进行显著性处理，采用了区域对比度方法，即RC方法，将空间关系整合到区域等级对比度计算当中；用RC方法进行显著性提取步骤如下：S4.1、首先将输入原始图像A分割成数个目标区域，再计算区域等级上的颜色对比度；使用一种基于图形的图像分割方法把输入图像分割为数个区域，为每个区域建立颜色直方图，对于一个区域rk,通过测量其与图像中的其他区域的颜色对比度来计算其显著性，如下：其中w(ri)是区域ri的权值，Dr(rk,ri)是两个区域间的颜色度量；ri中的像素数目w(ri)来强调与更大区域的颜色对...

【专利技术属性】
技术研发人员：许泽珊，叶绿珊，余卫宇，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44