一种基于卷积神经网络的交通标志检测与识别方法技术

本发明专利技术请求保护一种基于卷积神经网络的交通标志检测与识别方法，属于数字图像处理和机器学习领域。包括步骤：首先，将预处理后的RGB图像转换到HSV颜色空间，通过阈值设定得到感兴趣区域。然后，设计区分交通标志与非交通标志的二分类卷积神经网络，以此来判断感兴趣区域是否为交通标志。得到交通标志的位置后，使用基于卷积神经网络的交通标志识别方法，调整卷积神经网络的层数、特征图数量等参数，通过大量训练样本来学习网络中的参数，进而识别不同位置的交通标志的类别。实验表明，该方法对交通标志的变形、局部遮挡、倾斜等具有较好的适应性，在识别效果和识别效率方面均体现了良好的性能。

【技术实现步骤摘要】
一种基于卷积神经网络的交通标志检测与识别方法
本专利技术属于数字图像处理和机器学习领域，具体涉及一种基于卷积神经网络的交通标志识别方法。
技术介绍
早在上世纪八十年代初，一些国家就开始关注交通标志识别了，主要使用如利用模板匹配、边缘检测、神经网络等方法。交通标志检测与识别的图像来源于车辆摄像设备，虽然交通标志一般都具有比较明显的颜色和形状特征，但由于户外的自然情况复杂多变，采集的图像易受很多不利因素的影响，如天气影响、背景干扰和物体遮挡等因素，这会直接影响交通标志检测与识别的结果。对于交通标志的检测阶段，主要难点在于光照的变化使得交通标志外观发生剧烈的变化，导致简单利用RGB颜色模型很难对其准确分割；交通标志的识别阶段，由于目标被局部遮挡或因拍摄视角产生的图像畸变，会引起识别算法性能出现下降。为提高现阶段交通标志检测与识别的鲁棒性、实时性和识别率，本技术提出一种基于卷积神经网络的交通标志检测与识别方法。该方法不仅在GTRSB数据库的实验中识别率达到95.46％，超过现有的其它方法，而且识别一幅交通标志的时间仅有0.02s左右，满足实时性。同时，传统方法对于交通标志的识别需要人工提取特征，再用提取的大量特征来训练分类器。本文提出的基于卷积神经网络的方法，不需要人为去提取特征，直接以二维图形作为输入，在训练的时候自动提取特征并训练，大大减少了特征提取需要耗费的大量时间，而且效果更好。不仅如此，由于卷积神经网络的特殊结构，对于多尺度干扰、少量遮挡、少量平移等都有较好的适应性。
技术实现思路
本专利技术旨在解决以上现有技术的问题。提出了一种大大减少了特征提取需要耗费的大量时间，而且效果更好的基于卷积神经网络的交通标志检测与识别方法。本专利技术的技术方案如下：一种基于卷积神经网络的交通标志检测与识别方法，其包括以下步骤：101、获取包含有交通标志的输入图像，并采用直方图均衡化对该输入图像的RGB图像进行预处理操作；102、将预处理后的RGB图像转换为HSV(色调、饱和度、亮度)颜色模型，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HSV颜色信息，结合8连通区域进行初步分割获得感兴趣区域；103、设计区分交通标志与非交通标志的二分类卷积神经网络，以此来判断感兴趣区域是否为交通标志；104、得到交通标志的位置后，使用基于卷积神经网络的交通标志识别方法，算法设置的参数包括卷积神经网络的层数、特征图数量在内的参数，通过训练样本来学习网络中的参数，进而识别不同位置的交通标志的类别。进一步的，所述步骤102RGB图像转换为HSV颜色模型具体包括：假设所有的颜色值都已经归一化到[0,1]，在RGB三个分量R、G、B中，假设最大的为MAX，最小的为MIN，则RGB转换为HSV公式如下：V＝MAX。进一步的，所述判断像素是否为目标像素包括步骤：设定颜色阈值，如果像素值在阈值范围内即为目标像素，否则为背景像素，满足以下设定的HSV像素值即为红色目标像素a)Hue＜0.05orHue＞0.95b)Saturation＞0.5c)Value＞0.15。进一步的，所述结合8连通区域进行初步分割获得感兴趣区域包括：将只包含目标像素值或者与目标像素值相近的区域作为二值图，在其中寻找具有相同像素值且位置相邻的前景像素点组成的图像区域，寻找8连通区域，经过初步分割获得感兴趣区域。进一步的，所述步骤103的区分交通标志与非交通标志的二分类卷积神经网络一共包含7层，第一层为输入层，中间的隐藏层为2个卷积层、2个采样层和一个全连接层，最后一层是输出层；所述输入层用于输入图像矩阵；第二层为第一卷积层，与输入层连接，该层包含6个特征图，即可以得到6种不同的特征；第三层为第一下采样层，与第一卷积层连接，该层包含6个特征图，通过max-pooling计算得到，也是得到6种不同的特征；第四层为第二卷积层，与下采样层连接，该层一共有12个特征图，第五层为第二下采样层，与第一下采样层基本相似；第六层为全连接层，共包含196个节点；最后一层为输出层，输出节点为2，输出层的两个输出神经元表示交通标志和非交通标志。本专利技术的优点及有益效果如下：1.本专利技术利用HSV颜色模型提取特征，确定交通标志的大致区域。2.本专利技术利用二分类卷积神经网络检测交通标志的准确位置。3.本专利技术在GTRSB数据库的实验中识别率达到95.46％，超过现有的其它方法，而且识别一幅交通标志的时间仅有0.02s左右，满足实时性。4.本专利技术提出的基于卷积神经网络的方法，不需要人为去提取特征，直接以二维图像作为输入，在训练的时候自动提取特征并训练，大大减少了特征提取需要耗费的大量时间，而且效果更好。此外，本方法对于多尺度干扰、少量遮挡、少量平移等都有较好的适应性。附图说明图1是本专利技术提供优选实施例的系统结构框图。图2为具体实施方式中交通标志检测的结构框图。图3为DCNN(DetectionConvolutionalNeuralNetwork,DCNN)的网络结构图。图4为具体实施方式中交通标志识别的结构框图。图5为RCNN(RecognitionConvolutionalNeuralNetwork)的网络结构图。图6为DCNN的ROC曲线图。图7为DCNN精度召回曲线图。图8为RCNN在GTSRB数据集中训练卷积神经网络时迭代10次平均误差图。图9为RCNN在GTSRB数据集中训练卷积神经网络时迭代100次平均误差图。图10为本专利技术与现有交通标志识别技术的识别准确率柱状图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本专利技术的一部分实施例。本专利技术解决上述技术问题的技术方案是：附图1是本专利技术的系统结构框图。其按照以下几个步骤进行：步骤1、采用直方图均衡化分别对输入图像的R、G、B三通道做直方图均衡化步骤2、将步骤1预处理的RGB图像转换为HSV颜色模型，然后提取目标颜色信息，结合8连通区域进行初步分割获得感兴趣区域(RegionOfInterest，ROI)步骤201、RGB图像转换为HSV颜色模型。假设所有的颜色值都已经归一化到[0,1]，在RGB三个分量R、G、B中，假设最大的为MAX，最小的为MIN，则RGB转换为HSV公式如下：V＝MAX步骤202、设定颜色阈值。如果像素值在阈值范围内即为目标像素，否则为背景像素。满足以下设定的HSV像素值即为红色目标像素。a)Hue＜0.05orHue＞0.95b)Saturation＞0.5c)Value＞0.15步骤203、只包含目标像素值或者与目标像素值相近的区域，即为二值图，在其中寻找具有相同像素值且位置相邻的前景像素点组成的图像区域，寻找8连通区域，经过初步分割获得ROIs。步骤3、设计用于交通标志检测阶段的二分类卷积神经网络，称为DCNN(DetectionConvolutionalNeuralNetwork)。DCNN的网络结构如图3所示，该卷积神经网络一共包含7层，第一层为输入层，中间的隐藏层为2个卷积层、2个采样层和一个全连接层，最后一层是输出层。步骤302、对于输入层，需要输入的数据是48×48像素大小的图像矩阵。由于从图像中分割出来的ROI分辨率大小不一，忽略输入图像本身本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的交通标志检测与识别方法，其特征在于，包括以下步骤：101、获取包含有交通标志的输入图像，并采用直方图均衡化对该输入图像的RGB图像进行预处理操作；102、将预处理后的RGB图像转换为HSV颜色模型，H、S、V分别表示色调、饱和度、亮度，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，结合8连通区域进行初步分割获得感兴趣区域；103、设计区分交通标志与非交通标志的二分类卷积神经网络，以此来判断感兴趣区域是否为交通标志；104、得到交通标志的位置后，使用基于卷积神经网络的交通标志识别方法，算法设置的参数包括卷积神经网络的层数、特征图数量在内的参数，通过训练样本来学习网络中的参数，进而识别不同位置的交通标志的类别。

【技术特征摘要】
1.一种基于卷积神经网络的交通标志检测与识别方法，其特征在于，包括以下步骤：101、获取包含有交通标志的输入图像，并采用直方图均衡化对该输入图像的RGB图像进行预处理操作；102、将预处理后的RGB图像转换为HSV颜色模型，H、S、V分别表示色调、饱和度、亮度，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，结合8连通区域进行初步分割获得感兴趣区域；103、设计区分交通标志与非交通标志的二分类卷积神经网络，以此来判断感兴趣区域是否为交通标志；104、得到交通标志的位置后，使用基于卷积神经网络的交通标志识别方法，算法设置的参数包括卷积神经网络的层数、特征图数量在内的参数，通过训练样本来学习网络中的参数，进而识别不同位置的交通标志的类别。2.根据权利要求1所述的基于卷积神经网络的交通标志检测与识别方法，其特征在于，所述步骤102RGB图像转换为HSV颜色模型具体包括：假设所有的颜色值都已经归一化到[0,1]，在RGB三个分量R、G、B中，假设最大的为MAX，最小的为MIN，则RGB转换为HSV公式如下：V＝MAX。3.根据权利要求2所述的基于卷积神经网络的交通标志检测与识别方法，其特征在于，所述判断像素是否为目标像素包括步骤：设定颜色阈值，如果像素值在阈值范围内即为目标...

【专利技术属性】
技术研发人员：栾晓，刘玲慧，陈俊恒，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50