一种基于深度学习的机动车交通信号识别方法技术

本发明专利技术公开了一种基于深度学习的机动车交通信号识别方法，具体步骤如下：步骤一，预处理；步骤二，交通信号灯的定位；步骤三，交通信号灯的识别；步骤四，得到结果：通过步骤一至步骤三得出最终识别结果，用三维向量表示最终识别结果的信号灯状态信息。本发明专利技术采用卷积神经网络对交通信号灯进行定位，定位精度更高，采集的图像直接输入训练好的网络，定位更方便快捷，鲁棒性和泛化性能更好；本发明专利技术提出的带有压缩扩展模块的10层卷积神经网络在保证识别精度的情况下大大减少了网络的参数，缩小了网络模型的大小；本发明专利技术不仅能识别出红绿灯的颜色，还结合各个方向给出方向+颜色的识别结果，适用于大部分机动车交通信号的识别。

A Method of Vehicle Traffic Signal Recognition Based on Deep Learning

The invention discloses a vehicle traffic signal recognition method based on in-depth learning, the specific steps are as follows: step 1, pretreatment; step 2, traffic signal lamp positioning; step 3, traffic signal lamp recognition; step 4, the result is obtained: the final recognition result is obtained through step 1 to step 3, and three-dimensional direction is used. Signal lamp status information that represents the final recognition result. The invention adopts convolution neural network to locate traffic signal lights, which has higher positioning accuracy, and the collected images are directly input into the trained network, so that the positioning is more convenient and fast, and the robustness and generalization performance are better. The 10-layer convolution neural network with compression expansion module proposed by the invention is greatly improved under the condition of guaranteeing the recognition accuracy. The method can not only recognize the color of traffic lights, but also give the recognition result of direction + color in combination with each direction, which is suitable for the recognition of most motor vehicle traffic signals.

【技术实现步骤摘要】
一种基于深度学习的机动车交通信号识别方法
本专利技术涉及交通信号识别领域，具体是一种基于深度学习的机动车交通信号识别方法。
技术介绍
随着社会经济的飞速发展，越来越多的汽车进入人们的生活。汽车在给人们带来方便和快捷的同时也带来了日益突出的交通安全问题。由此，辅助驾驶、无人驾驶日渐兴起，成为如今大热的研究方向。而无论是辅助驾驶还是无人驾驶，交通信号的识别都是重要的基础性研究工作。目前，传统的交通信号识别主要是运用图像预处理、像素点统计、模板匹配等方法，识别效果差强人意，并且很难进行场景的移植，对于一些强光、弱光、远处的信号灯识别效果不佳。在有关交通信号识别领域，大多数都是利用传统的图像处理技术。如公开号为106023623A的中国专利技术专利公布说明书公开的基于机器视觉的车载交通信号与标志的识别及预警方法。对图像进行预处理，通过矩形框扫描确定备选检测区域，统计该区域红、黄、绿、黑像素点数量，根据统计结果判断红绿灯状态。此方法虽然可以识别出红绿灯的状态，但是形式过于固定，只能识别固定的情况，不适用于变化的场景，对光线、夜晚等场景不能很好的适应，不具有很好的鲁棒性和泛化性。近年来，随着机器本文档来自技高网...

【技术保护点】
1.一种基于深度学习的机动车交通信号识别方法，其特征在于，具体步骤如下：步骤一，预处理：收集摄像头采集的交通信号灯的图像或视频信息并且进行预处理，预处理包括对视频的分帧处理和对图像进行人工标注、图像增强和滤波；步骤二，交通信号灯的定位：对图像或视频信息使用第一深度卷积神经网络方法得到交通信号灯的位置数据，采用5层卷积层加2层全连接层的卷积神经网络，并采用ReLU激活函数和SVM分类器；步骤三，交通信号灯的识别：使用第二深度卷积神经网络方法识别不同类型的交通信号灯，利用定位得到的位置数据作为训练集训练构建的卷积神经网络，不断调整网络参数直到满足收敛条件，网络采用模块化结构，共10层，第一和最后一...

【技术特征摘要】
1.一种基于深度学习的机动车交通信号识别方法，其特征在于，具体步骤如下：步骤一，预处理：收集摄像头采集的交通信号灯的图像或视频信息并且进行预处理，预处理包括对视频的分帧处理和对图像进行人工标注、图像增强和滤波；步骤二，交通信号灯的定位：对图像或视频信息使用第一深度卷积神经网络方法得到交通信号灯的位置数据，采用5层卷积层加2层全连接层的卷积神经网络，并采用ReLU激活函数和SVM分类器；步骤三，交通信号灯的识别：使用第二深度卷积神经网络方法识别不同类型的交通信号灯，利用定位得到的位置数据作为训练集训练构建的卷积神经网络，不断调整网络参数直到满足收敛条件，网络采用模块化结构，共10层，第一和最后一层为卷积层，中间8层为模块层，网络采用最大池化进行降采样以及全图平均池化得到分类得分，并采用softmax归一化函数得到分类概率；步骤四，得到结果：通过步骤一至步骤三得出最终识别结果，用三维向量表示最终识别结果的信号灯状态信息。2.根据权利要求1所述的基于深度学习的机动车交通信号识别方法，其特征在于，所述人工标注为将视频数据信息按帧提取出一张张图像，将图像信息进行人工标注，图像标记格式为标签；图像增强为采用光线补偿和直方图均衡化对图像进行增强；滤波为采用均值、中值或低通滤波对图像进行平滑滤波。3.根据权利要求1或2所述的基于深度学习的机动车交通信号识别方法，其特征在于，所述使用第一深度卷积神经网络方法得到交通信号灯的位置数据的具体步骤如下：(1)候选区域生成：使用选择性搜索方法从一张图像中生成多个候选区域；(2)特征学习：首先将候选区域归一化成同一尺寸227×227，采用7层卷积神经网络，前五层为卷积层，后两层为全连接层，每一层后面使用ReLU激活函数，其中1、2和5层后加池化层，1和2层后进行标准化；(3)分类：对每一类目标使用一个...

【专利技术属性】
技术研发人员：张中，李安，牛雷，
申请(专利权)人：合肥湛达智能科技有限公司，
类型：发明
国别省市：安徽,34