一种路标识别方法、系统及装置制造方法及图纸

本发明专利技术提供一种路标识别方法、系统及装置，包括：采集路标在不同环境下的图片，将图片存储至数据集；利用所述数据集创建卷积神经网络模型；利用所述卷积神经网络模型提取数据集内的路标图片的特征向量，将提取的特征向量存储至特征向量集合；利用特征向量集合训练极速学习机模型；将所述卷积神经网络模型和所述极速学习机模型作为组合模型对待识别路标图片进行识别。本发明专利技术能够对各种视野环境下的路标进行准确识别，并语音播报识别结果，提高了驾驶安全性，同时也为无人驾驶提供了技术支撑。

A road sign recognition method, system and device

【技术实现步骤摘要】
一种路标识别方法、系统及装置
本专利技术涉及交通驾驶
，具体涉及一种路标识别方法、系统、终端及存储介质。
技术介绍
道路交通标示中具有丰富的道路交通相关的信息，能够时刻为驾驶员提供提醒、指示等辅助驾驶作用，同时在一定程度上减小着驾驶员的驾驶压力和道路的交通疏导压力，一定程度上减少了交通事故的发生几率。然而，单纯依靠驾驶员不停地一边驾驶一边观察各类交通标识并作出正确反映，会很大程度上增加驾驶员的观察判断压力，加速驾驶疲劳。因此更加自动化和智能化地识别道路交通标识图像越来越受到汽车驾驶方面研究的青睐，同时该领域的研究也是自动无人驾驶发展的一个重要技术。
技术实现思路
针对现有技术的上述不足，本专利技术提供一种路标识别方法、系统及装置，以解决上述技术问题。第一方面，本专利技术提供一种路标识别方法，包括：采集路标在不同环境下的图片，将图片存储至数据集；利用所述数据集创建卷积神经网络模型；利用所述卷积神经网络模型提取数据集内的路标图片的特征向量，将提取的特征向量存储至特征向量集合；利用特征本文档来自技高网...

【技术保护点】
1.一种路标识别方法，其特征在于，包括：/n采集路标在不同环境下的图片，将图片存储至数据集；/n利用所述数据集创建卷积神经网络模型；/n利用所述卷积神经网络模型提取数据集内的路标图片的特征向量，将提取的特征向量存储至特征向量集合；/n利用特征向量集合训练极速学习机模型；/n将所述卷积神经网络模型和所述极速学习机模型作为组合模型对待识别路标图片进行识别。/n

【技术特征摘要】
1.一种路标识别方法，其特征在于，包括：
采集路标在不同环境下的图片，将图片存储至数据集；
利用所述数据集创建卷积神经网络模型；
利用所述卷积神经网络模型提取数据集内的路标图片的特征向量，将提取的特征向量存储至特征向量集合；
利用特征向量集合训练极速学习机模型；
将所述卷积神经网络模型和所述极速学习机模型作为组合模型对待识别路标图片进行识别。


2.根据权利要求1所述的方法，其特征在于，在所述将图片存储至数据集之前，所述方法还包括：
将所述图片的大小设置为64*64；
根据所述图片所述路标类别对所述图片进行标记；
将具有相同标记的图片划分至同一标记组；
将所述图片转化为python中的numpy类型。


3.根据权利要求1所述的方法，其特征在于，所述利用数据集创建卷积神经网络模型，包括：
设置所述卷积神经网络模型的卷积和池化层的数量为三个；
设置所述卷积神经网络模型的卷积核大小为5*5；
设置所述卷积神经网络模型的池化方法为最大池化方法，并设置两个全连接层；
设置所述卷积神经网络模型的各层激活函数为relu函数；
设置所述卷积神经网络模型的输出层为softmax函数。


4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取导航系统的接口调用授权；
调用导航系统的数据接口；
通过所述数据接口将路标识别图片识别结果导入所述导航系统。


5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
通过双目立体相机采集的路标图片计算路标距离车辆的距离；
将路标识别结果和所述距离利用语音提示器转化为声音提示信息输出。...

【专利技术属性】
技术研发人员：李鹏，胡汉顶，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：江苏;32