基于参数压缩的卷积神经网络交通标志识别方法技术

本发明专利技术公开了基于参数压缩的卷积神经网络交通标志识别方法，具体步骤如下：（1）获取原始交通标志数据；（2）通过数据增强方法扩充收集到的原始数据；（3）对图像进行预处理；（4）构建卷积神经网络和初始化网络，并将预处理后的图像送入网络进行有监督训练，得到具有交通标志识别功能的网络。本发明专利技术通过采用多层小卷积核代替单层大卷积核和单通道取均值代替第一个全连接层两种方法，解决了卷积神经网络参数过大的问题，在不降低网络识别准确率的前提条件下有效减小了网络占用的内存空间，同时有效防止网络过拟合现象的发生。

Traffic sign recognition method of convolution neural network based on parameter compression

【技术实现步骤摘要】
基于参数压缩的卷积神经网络交通标志识别方法
本专利技术涉及基于参数压缩的卷积神经网络交通标志识别方法，属于模式识别

技术介绍
随着自动驾驶概念的提出与发展，作为其中重要研究部分之一的交通标志的识别也得到了研究者大量的关注与研究。然而，大多采用传统视觉算法的交通标志识别技术一般都是通过轮廓提取、目标分割，再利用模板匹配技术来对交通标志进行识别，此方法在复杂背景下或者噪声严重时很难有好的表现。而近年来，随着深度学习的发展特别是卷积神经网络在计算机视觉中的大量应用，结合卷积神经网络的交通标志识别方法得到了许多关注与应用。申请号为201510002850.X的《一种基于多分辨率卷积神经网络的交通标志识别方法》，采用两个相同结构的卷积神经网络阵对不同分辨率的二维图像进行特征提取和识别。该方法需要两个卷积网络，因而加大了网络参数，对存储容量要求较高，且难以在小内存设备上运行。申请号为201710122736.X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》，首先用一个卷积网络生成另外一个网络，接着训练生成的新网络。然后再将测试图片进行显著性并输出分类网络，最后得出识别结果。此方法网络结构复杂，参数量大，容易造成过拟合且对存储容量要求较高。申请号为201610709259.2的《一种基于深度学习的公路交通标志自动识别与管理系统》，首先通过卷积网络选定输入图片的候选区域，再将候选区域输入另外的卷积网络，最后识别几交通标志类别及在图像中的位置。此方法网络结构复杂，且对于识别而言，位置信息并非必要信息。因此该结构网络依然具有参数量大，对存储容量要求较高且实时性不强。综上所述，虽然国内外对基于卷积神经网络的交通标志识别有较多研究，但大都存在着网络参数过多的问题，故对存储器容量和运行内存有较高要求。
技术实现思路
本专利技术所要解决的技术问题是：提供基于参数压缩的卷积神经网络交通标志识别方法，在不降低网络识别准确率的前提条件下，尽可能减小网络参数，从而降低网络对存储器容量和运行内存的要求，使网络可以在嵌入式设备上实时运行。本专利技术为解决上述技术问题采用以下技术方案：基于参数压缩的卷积神经网络交通标志识别方法，包括如下步骤：步骤1，获取四种类型的原始交通标志图像，包括限速标志、禁止停车标志、前方有学校标志、红绿灯标志；步骤2，利用数据增强方法扩充步骤1获取的四种类型的原始交通标志图像；步骤3，对扩充后的图像进行预处理；步骤4，构建卷积神经网络，并对卷积神经网络进行初始化，将预处理后的图像送入卷积神经网络进行有监督训练，得到具有交通标志识别功能的卷积神经网络，利用具有交通标志识别功能的卷积神经网络对交通标志进行识别；所述卷积神经网络包括卷积层、单通道取均值层、全连接层和分类器；其中卷积层包括第一卷积层、第二卷积层、第一下采样层、第三卷积层、第四卷积层、第二下采样层、第五卷积层、第六卷积层、第七卷积层、第八卷积层以及第三下采样层。作为本专利技术的一种优选方案，步骤2所述数据增强方法具体包括以下三种操作：对图像进行镜像操作、小尺度旋转操作、模糊操作。作为本专利技术的一种优选方案，步骤3所述预处理具体包括尺度归一化操作和像素减均值操作。作为本专利技术的一种优选方案，步骤4所述卷积神经网络包括卷积层、单通道取均值层、全连接层和分类器，具体如下：卷积层：第一卷积层采用96个7×7×3大小的滤波器，步长为2；采用96个5×5×96大小的滤波器，步长为2，填充为1；第一下采样层滤波器的大小为3×3，步长为2；第三卷积层采用256个为3×3×96大小的滤波器，填充为1；第四卷积层采用256个为3×3×256大小的滤波器，填充为1；第二下采样层滤波器的大小为3×3，步长为2；第五卷积层采用256个为3×3×256大小的滤波器，填充为1；第六卷积层采用384个3×3×256大小的滤波器，填充为1；第七卷积层采用384个3×3×384大小的滤波器，填充为1；第八卷积层采用256个3×3×384大小的滤波器，填充为1；第三下采样层滤波器的大小为3×3；单通道取均值层：经过第三下采样层后输出图像大小为11×11×256，采用单通道取均值后，输出大小为1×1×256，即256个神经元；全连接层：采用256×1-dropout-4096×1结构；分类器：采用softmax分类器实现多分类输出。作为本专利技术的一种优选方案，步骤4所述将预处理后的图像送入卷积神经网络进行有监督训练，得到具有交通标志识别功能的卷积神经网络，具体过程如下：1)将预处理后的图像按60％、20％、20％的比例分为训练集、验证集、测试集；2)设定迭代次数和学习率、设定训练集上的期望损失值和期望准确率以及验证集上的期望准确率，其中，训练集上的期望准确率高于验证集上的期望准确率；3)将训练集送入卷积神经网络进行有监督训练，训练过程中，计算训练集上的损失值和准确率，并采用随机梯度下降算法进行反向传播，对卷积神经网络参数进行更新，然后重新计算损失值和准确率；4)当训练达到设定的迭代次数后，判断训练集上的损失值是否小于等于训练集上的期望损失值，以及训练集上的准确率是否大于等于训练集上的期望准确率；若均符合要求，则进入下一步；否则，重新设置学习率或者增大迭代次数或者减小dropratio，返回3)；5)利用验证集验证训练好的卷积神经网络的准确率，判断验证集上的准确率是否大于等于验证集上的期望准确率；若符合要求，则进入下一步；否则，减小迭代次数或者增大dropratio，返回3)；6)利用训练好的卷积神经网络在测试集上进行测试，并输出准确率，训练好的卷积神经网络即为具有交通标志识别功能的卷积神经网络。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：1、本专利技术采用多层小卷积核，来达到与单层大卷积核同样的感受域，在减少参数的同时不会降低网络的识别准确率。2、本专利技术采用单通道取均值操作代替第一个全连接层方法，大大减少网络参数，从而减小网络对存储器容量和运行内存要求，使得网络可以在小型嵌入式设备上运行。附图说明图1是本专利技术训练卷积神经网络的算法流程图。图2是本专利技术卷积神经网络的网络结构图，包含网络层结构及每层输出。具体实施方式下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本专利技术基于参数压缩的卷积神经网络交通标志识别方法，具体步骤如下：1、获取数据，通过实地拍摄和网络下载两种方式，收集限速标志、禁止停车标志、前方有学校标志、红绿灯标志四种类型数据。2、通过对原始数据集进行镜像、小尺度旋转、模糊三种操作扩充数据容量。3、将所有图像数据缩放到256×256分辨率，计算像素均值并逐像素减去均值。4、对数据进行标记，限速标志标记0，禁止停车标志标记为1，前方有学校标志标记2，红绿灯标志标记为3。5、将数据按照60％，20％，20％的比例分别分为训练集、验证集、测试集。6、构建卷积神经网络，如图2所示，网络结构主要分为卷积层、单通道取均值层，全连接层和分类器，其中：卷积层结构，第一卷积层采用96个7×7×3大小的滤波器，步长为2；第二卷积层采用96个5×5×96大小的滤波器，步长为2个，填充为1，第一个下采本文档来自技高网...

【技术保护点】
基于参数压缩的卷积神经网络交通标志识别方法，其特征在于，包括如下步骤：步骤1，获取四种类型的原始交通标志图像，包括限速标志、禁止停车标志、前方有学校标志、红绿灯标志；步骤2，利用数据增强方法扩充步骤1获取的四种类型的原始交通标志图像；步骤3，对扩充后的图像进行预处理；步骤4，构建卷积神经网络，并对卷积神经网络进行初始化，将预处理后的图像送入卷积神经网络进行有监督训练，得到具有交通标志识别功能的卷积神经网络，利用具有交通标志识别功能的卷积神经网络对交通标志进行识别；所述卷积神经网络包括卷积层、单通道取均值层、全连接层和分类器；其中卷积层包括第一卷积层、第二卷积层、第一下采样层、第三卷积层、第四卷积层、第二下采样层、第五卷积层、第六卷积层、第七卷积层、第八卷积层以及第三下采样层。

【技术特征摘要】
1.基于参数压缩的卷积神经网络交通标志识别方法，其特征在于，包括如下步骤：步骤1，获取四种类型的原始交通标志图像，包括限速标志、禁止停车标志、前方有学校标志、红绿灯标志；步骤2，利用数据增强方法扩充步骤1获取的四种类型的原始交通标志图像；步骤3，对扩充后的图像进行预处理；步骤4，构建卷积神经网络，并对卷积神经网络进行初始化，将预处理后的图像送入卷积神经网络进行有监督训练，得到具有交通标志识别功能的卷积神经网络，利用具有交通标志识别功能的卷积神经网络对交通标志进行识别；所述卷积神经网络包括卷积层、单通道取均值层、全连接层和分类器；其中卷积层包括第一卷积层、第二卷积层、第一下采样层、第三卷积层、第四卷积层、第二下采样层、第五卷积层、第六卷积层、第七卷积层、第八卷积层以及第三下采样层。2.根据权利要求1所述基于参数压缩的卷积神经网络交通标志识别方法，其特征在于，步骤2所述数据增强方法具体包括以下三种操作：对图像进行镜像操作、小尺度旋转操作、模糊操作。3.根据权利要求1所述基于参数压缩的卷积神经网络交通标志识别方法，其特征在于，步骤3所述预处理具体包括尺度归一化操作和像素减均值操作。4.根据权利要求1所述基于参数压缩的卷积神经网络交通标志识别方法，其特征在于，步骤4所述卷积神经网络包括卷积层、单通道取均值层、全连接层和分类器，具体如下：卷积层：第一卷积层采用96个7×7×3大小的滤波器，步长为2；采用96个5×5×96大小的滤波器，步长为2，填充为1；第一下采样层滤波器的大小为3×3，步长为2；第三卷积层采用256个为3×3×96大小的滤波器，填充为1；第四卷积层采用256个为3×3×256大小的滤波器，填充为1；第二下采样层滤波器的大小为3×3，步长为2；第五卷积层采用256个为3×3×256大小的滤波器，填充为1；第六卷积层采用384个3×...

【专利技术属性】
技术研发人员：宋佳蓉，杨忠，胡国雄，韩家明，张天翼，朱家远，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32