基于多尺度轻量级卷积神经网络的交通标志识别方法技术

本发明专利技术提供了一种基于多尺度轻量级卷积神经网络的交通标志识别方法，构建了一个具有多尺度输入和轻量级计算的卷积神经网络，该网络采用三种尺度交通标志图像作为输入，中间模块采用深度可分离卷积进行计算，在交通标志识别问题中可训练出较为合适的分类特征；通过构建交通标志数据集，使用上述轻量级网络，使用K折交叉验证对样本数据集进行划分和训练，可实现对输入交通标志图像的分类识别；实验结果也表明该网络减少了可训练参数数量，降低了识别的计算量，同时具有较高的识别率。

【技术实现步骤摘要】
基于多尺度轻量级卷积神经网络的交通标志识别方法
本专利技术涉及计算机视觉
，尤其涉及到一种基于多尺度轻量级卷积神经网络的交通标志识别方法。
技术介绍
交通标志是道路设施的重要组成部分，发挥着引导、限制、警示和指示等作用，是保障道路交通安全、顺畅的重要措施；按照作用交通标志可分为主标志和辅助标志两大类，其中主标志还可细分为七个大类别。使用计算机视觉技术实现对交通标志的自动识别，可以提高驾驶安全；但由于交通标志种类繁多，图像质量易受到褪色、遮挡、光照、尺度等诸多因素的影响，使得交通标志的自动识别较为困难。基于计算机视觉的交通标志识别方法，通常采用基于颜色或形状特征，以及基于模板匹配等方法；常用特征包括HOG、Haar、SIFT/SURF、LBP和Gabor等；然而这些特征多为浅层特征，其表达和提取较为繁琐，使用范围也有局限，使其在复杂环境下的鲁棒性较差。卷积神经网络是含有卷积计算的前馈型神经网络，广泛应用于计算机视觉等领域。卷积神经网络由卷积、池化、激活等功能不同的“层”组合而来；原始图像被输入网络后，按照设计的顺序被本文档来自技高网...

【技术保护点】
1.基于多尺度轻量级卷积神经网络的交通标志识别方法，其特征在于，包括：/n（1）构建交通标志样本数据集；对样本数量较少的交通标志图像进行增广；/n（2）构建多尺度轻量级卷积神经网络，包含三个输入层，五个中间模块，一个输出层；其中；五个中间模块均由该Bootleneck结构以及加入批量正则化的普通卷积构成，设计选取适当的激活函数和模型超参数，如可以使用H-Swish、ReLU、Hard-σ作为激活函数；/n（3）使用K折交叉验证法划分样本数据集并进行模型参数训练；/n（4）针对某个具体的交通标志图像进行分类识别。/n

【技术特征摘要】
1.基于多尺度轻量级卷积神经网络的交通标志识别方法，其特征在于，包括：
（1）构建交通标志样本数据集；对样本数量较少的交通标志图像进行增广；
（2）构建多尺度轻量级卷积神经网络，包含三个输入层，五个中间模块，一个输出层；其中；五个中间模块均由该Bootleneck结构以及加入批量正则化的普通卷积构成，设计选取适当的激活函数和模型超参数，如可以使用H-Swish、ReLU、Hard-σ作为激活函数；
（3）使用K折交叉验证法划分样本数据集并进行模型参数训练；
（4）针对某个具体的交通标志图像进行分类识别。


2.基于权利要求1所述的方法，所述样本数量较少的交通标志图像进行增广，包括：
对现有样本图像的增广处理，通过旋转、平移、缩放、亮度变换、添加噪声等方式处理，得到新的样本图像，加入到样本数据集中；
对标准的交通标志图像进行样本合成，通过放射变换、计算图像掩膜、添加背景图像、调节亮度、添加噪声等方式，得到新的样本图像，加入到样本数据集中；
数据增强后的交通标志样本数据集，需保证各类别的样本达到一定的数量。


3.基于权利要求1所述的方法，所述输入层，包括：
参考现有方法，统计现有样本数据集的图像尺度范围，选择三个具有代表性的尺度作为输入图像的尺度；...

【专利技术属性】
技术研发人员：冯子亮，董朋林，王洋，杨斌，贺思睿，朱鑫，单强达，郭照康，李东璐，司马铭骏，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川;51