The invention discloses a traffic sign detection and recognition method based on self built neural network, which belongs to the field of machine learning and deep learning. This method obtains the non real region of interest of traffic signs in the picture according to the color segmentation in the digital image theory taken by the captured image, and uses the SVM classifier to get the truth. In real interest region, the real region of interest is put into self constructed convolution neural network for recognition and classification. The technical scheme of the invention can quickly and accurately identify and classify the use of traffic signs, and achieve fast, reliable and accurate real-time requirements, and save time and labor.
【技术实现步骤摘要】
基于自建神经网络的交通标志检测与识别方法
本专利技术涉及机器学习及深度学习
,尤其涉及一种基于自建神经网络的交通标志检测与识别方法。
技术介绍
截至2017年5月底,全国机动车的保有量已达到了3亿量,机动车驾驶员总数达3.5亿之多。汽车给人们带来便利并推动着道路交通发展的同时,频发的交通事故也给当今社会带来极大的危害。导致交通事故发生的原因有很多,其中很重要的一项就是驾驶员不规范操作,例如疲劳驾驶,自身疏忽等。为了提高驾驶安全性,帮助驾驶员规范操作乃至代替驾驶员执行正确的操作,高级驾驶员辅助系统(AdvancedDriverAssistanceSystems,ADAS)应运而生,自动交通标志牌检测和识别系统(Automatictrafficsigndetectionandrecognition,TSDR)正是其重要组成部分。ADAS系统的主要目的是通过实时分析道路交通标志来提醒司机当前路况,确保驾驶员安全驾驶。该系统主要利用计算机视觉技术,将车载摄像头拍摄的道路场景画面作为输入源来分析影像,将分析结果反馈给驾驶员,如:驾驶适当的车道,限速,避开障碍物等,以帮助驾驶员做出正确决定,或者根据反馈结果直接做出正确操作。除了可以辅助驾驶之外,标志牌识别系统也可应用于自动化道路标志牌使用状态维护。由于每一条道路都必须定期检查标志牌缺失损毁情况,以往这些工作都是采用沿着道路驾驶一辆汽车,手动记录观察到的信息这种方式来完成的,费时费力,且容易出现人为错误。
技术实现思路
针对现有技术的不足,本专利技术所解决的问题是如何对交通标志使用状态进行快速准确识别和分类以辅助驾驶 ...
【技术保护点】
1.一种基于自建神经网络的交通标志检测与识别方法,其特征在于:根据拍摄到的图像运用数字图像理论中的颜色分割获取交通标志在图片中的非真实感兴趣区域,使用SVM分类器得到真实感兴趣区域,再将真实的感兴趣区域放进自建卷积神经网络中进行识别分类,包括如下步骤:(1)车载系统会对道路标志进行拍摄或录像,如果拍摄的是图片,那就直接进行彩色转换,如果是视频格式,那就对视频抽帧,将RGB图像转换为HSI颜色模型,HSI分别表示色调、饱和度及亮度,其过程如下:给定RGB彩色格式图像,对任何三个归一化到[0,1]范围内的R,G,B值,其对应的H,S,I分量由公式(1)至公式(4)表示:色调:
【技术特征摘要】
1.一种基于自建神经网络的交通标志检测与识别方法,其特征在于:根据拍摄到的图像运用数字图像理论中的颜色分割获取交通标志在图片中的非真实感兴趣区域,使用SVM分类器得到真实感兴趣区域,再将真实的感兴趣区域放进自建卷积神经网络中进行识别分类,包括如下步骤:(1)车载系统会对道路标志进行拍摄或录像,如果拍摄的是图片,那就直接进行彩色转换,如果是视频格式,那就对视频抽帧,将RGB图像转换为HSI颜色模型,HSI分别表示色调、饱和度及亮度,其过程如下:给定RGB彩色格式图像,对任何三个归一化到[0,1]范围内的R,G,B值,其对应的H,S,I分量由公式(1)至公式(4)表示:色调:饱和分量:亮度分量:(2)设定阈值范围,判断像素是否为目标像素即交通标志区域的像素,提取目标像素颜色信息,进行初步颜色分割获得感兴趣区域,其过程如下:对彩色图像即红、黄、蓝进行分割时,依靠H、S、I三个分量相互独立,同时考虑到自然环境下交通标志图像色彩的波动性,可以对彩色图像的各个分量进行适当地组合进行阈值分割,输出掩摸由公式(5)至公式(7)所示:设定一组颜色经验阈值,即每种颜色分量的色调阈值上下限值和饱和度阈值,然后通过判断阈值范围将各个颜色分割出来,最后得到分割后的图像;(3)区分交通标志与非交通标志的SVM分类器,以此来判断感兴趣区域是否为交通标志,其过程如下:根据SVM的基本原理,最优分类面既要能将两类样本正确分开,又要使得分类间隔最大;SVM的学习可以看作一个最优化问题,可以表示为:其中,xi∈RD,i=1,…,N为训练数据,训练数据集中样本个数为N;yi∈{-1,1}为样本标签,也即分类结果;<xi,xj>表示两个向量之间的点积运算;C为惩罚因子;K<xi,xj>为核函数;ai为待学习的参数,通过最优化学习,得到最优解:然后,可以得到最优分类面的权向量和偏移量,表示为:于是,最优分类面函数可以表示为:(4)确定真实感兴趣区域后,把此区域归一化处理,其过程如下:使用双三次插值法采用公式(12)至(16)将图像归一化到28*28;f(i+u,j+v)=ABC(13)A=[S(1+u)S(u)S(1-u)S(2-u)](14)C=[S(1+v)S(v)S(1-v)S(2-v)]T(16)其中,A、B、C均为矩阵,u,v均为[0,1]区间的浮点数,u表示最近邻像素点和待插值点水平方向...
【专利技术属性】
技术研发人员:黄知超,李栋,王斌,
申请(专利权)人:桂林电子科技大学,
类型:发明
国别省市:广西,45
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。