【技术实现步骤摘要】
一种多尺度反卷积神经网络的交通标志实时检测识别方法
本专利技术涉及计算机应用
机器学习理论及应用子领域，特别是一种多尺度反卷积神经网络的交通标志实时检测识别方法。
技术介绍
交通标志是道路交通系统的一个重要组成部分，其作用主要包括显示当前路段的交通状况，提示驾驶环境中的危险和困难、警告驾驶员、为驾驶员指路等，为安全舒适的驾驶提供有用信息。如果完全靠驾驶员自己注意和发现交通标识并做出正确的反应，难免会增加驾驶负担，加速疲劳，严重地可能会导致交通事故。因此，安全可靠快速的交通标识识别系统显得越来越重要，大量研究人员也都致力于这一领域的研究。近几年来，随着人工智能的发展，各大厂商也在大力发展各自的自动驾驶汽车。然而，没有复杂的人工智能模型和高分辨率的地图来分析以及在复杂的环境中学习的能力，自动驾驶将难以安全的运行。全面而复杂的自动驾驶系统涉及传感、感知、定位、决策、实时操作系统、异构计算、图形视频处理以及云计算技术等。目标检测是智能对象收集器感知中的关键步骤，而目标检测和跟踪可以通过深度学习来实现。深度学习在近几年来也一直处于快速发展阶段，特别是使用卷积神经网络来...
【技术保护点】
1.一种多尺度反卷积神经网络的交通标志实时检测识别方法，其特征在于，包括以下步骤：S1：采集交通标志照片或视频；S2：输入CRN模型，经过卷积和池化，提取图片特征信息；S3：将CRN模型的最后一层特征图作为MFPN模型的输入，经过卷积形成多个特征图，再经过反卷积对不同特征图进行融合；S4：将MFPN模型的最后一层特征图，经过卷积，形成多个特征图；S5：对多个特征图进行拼接；S6：经过多尺度检测，得到交通标志的位置信息和类别信息。
【技术特征摘要】
1.一种多尺度反卷积神经网络的交通标志实时检测识别方法，其特征在于，包括以下步骤：S1：采集交通标志照片或视频；S2：输入CRN模型，经过卷积和池化，提取图片特征信息；S3：将CRN模型的最后一层特征图作为MFPN模型的输入，经过卷积形成多个特征图，再经过反卷积对不同特征图进行融合；S4：将MFPN模型的最后一层特征图，经过卷积，形成多个特征图；S5：对多个特征图进行拼接；S6：经过多尺度检测，得到交通标志的位置信息和类别信息。2.根据权利要求1所述的多尺度反卷积神经网络的交通标志实时检测识别方法，其特征在于，所述步骤S2具体包括：S21：对照片或视频进行预处理，输出像素大小一致的图片；S22：经过池化，使图片像素缩小一半；S23：做步长为1的两次卷积，提取特征图；S24：经过池化，使图片像素缩小一半；S25：做步长为1的两次卷积，提取特征图；S26：经过池化，使图片像素缩小一半；S27：做步长为1的两次卷积，再做步长为2的一次卷积，提取特征图。3.根据权利要求1所述的多尺度反卷积神经网络的交通标志实时检测识别方法，其特征在于，所述步骤S3具体包...
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。