一种基于单个深层卷积神经网络的路牌检测方法技术

本发明专利技术公开了一种基于单个深层卷积神经网络(SSD)的路牌检测方法，利用单个深层卷积神经网络，对路牌进行检测，提高了路牌检测的鲁棒性。该方法包括：第一步是构建前向传播的卷积神经网络；第二步是对路牌数据进行数据增广；第三步是对单个深层卷积神经网络进行训练；第四步是检测时利用极大值抑制进行预测；最后输出检测结果。

【技术实现步骤摘要】
一种基于单个深层卷积神经网络的路牌检测方法
本专利技术涉及基于计算机的图像处理技术，尤其涉及一种基于单个深层卷积神经网络的路牌识别方法。
技术介绍
在过去的几十年里，人们对汽车的使用越来越频繁，同时也导致很多的安全问题。包括激光测距仪、GPS和计算机视觉在内的感测技术在驾驶辅助系统和自动驾驶车辆中发挥了很大的作用。在安全驾驶中，能正确识别交通信息是非常重要的环节。为了能使驾驶者注意到路牌，采用了鲜艳的颜色和简单的形状。然而，这并不能解决问题，驾驶者非常容易忽略道路两旁的路牌。因此，路牌的检测算法的到了发展，在很大程度上解决了问题。现在，基于深度学习的路牌检测算法是研究热点之一。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Hubel等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。检测算法一直是学者研究的一个热点。自从2014年基于卷积神经网络特征的区域检测算法的提出，检测算法得到了迅速地发展。许多基于深度学习的检测算法被提出，这些算法都获得很高的精度，但是其网络结构相当复杂，且计算速度慢。基于单个深层卷积神经网络的路牌识别方法，其网络结构简单，运算速度快，且检测精度。现有的方法中，基于全卷积神经网络方法的检测精度不高，基于区域建议网络(RoI)的区域卷积神经网络(R-CNN)的检测速度慢，因此，本专利技术公开了一种基于单个深层卷积神经网络(SSD)的路牌检测方法，利用单个深层卷积神经网络，对路牌进行检测，提高了路牌检测的鲁棒性。该方法包括：第一步是构建前向传播的卷积神经网络；第二步是对路牌数据进行数据增广；第三步是对单个深层卷积神经网络进行训练；第四步是检测时利用极大值抑制进行预测；最后输出检测结果。
技术实现思路
本专利技术所要解决的技术问题是增强路牌检测的鲁棒性，提高路牌检测的正确率。为了解决上述技术问题，本专利技术提供一种基于单个深层卷积神经网络的路牌检测方法，用于路牌检测上；该方法包括：构建前向传播的卷积神经网络；将产生的默认框与目标框进行匹配；对单个深层卷积神经网络进行训练；测试时利用非极大值抑制算法进行预测；输出路牌的检测结果。其中，根据所述对路牌数据进行数据增广，包括：随机采样一个路径；路径的大小为原始图像的[0.1，1]，纵横比为[0.5，1]；目标框的中心在路径范围内，则保留重叠部分；将每个采样的路径设置为相同大小，并以0.5的概率对其进行水平翻转。其中，根据所述构造单个深层卷积神经网络，包括：采用VGG-16图像分类模型作为基础网络；添加逐渐减小的5层卷积层；设置1层池化层。其中，将对单个深层卷积神经网络进行训练，包括：利用最佳杰卡德重叠将目标框和默认框进行匹配；将负样本按照置信度进行排序；计算总的目标损失函数；计算默认框的大小以及纵横比；每个目标框与唯一一个默认框配对。其中，利用极大值抑制对路牌进行检测，包括：将目标框和默认框进行匹配；当损失函数的值小于设定的阈值时，网络输出特征图；计算默认框的宽度、高度和中心点；利用极大值抑制算法进行路牌检测。附图说明附图用来提供对本专利技术技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本专利技术的技术方案，并不构成对本专利技术技术方案的限制。图1为本申请实施例的基于单个深层卷积神经网络的路牌检测方法的流程示意图。图2为本申请实施例对路牌数据进行数据增广的流程示意图。图3为本申请实施例构造单个深层卷积神经网络的流程示意图。图4为单个深层卷积神经网络的结构示意图。图5为本申请实施例对单个深层卷积神经网络进行训练的流程示意图。图6为本申请实施例利用极大值抑制对路牌进行检测的流程示意图。具体实施方式以下将结合附图及实施例来详细说明本专利技术的实施方式，借此对本专利技术如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。本申请实施例的基于单个深层卷积神经网络的路牌检测方法，用于路牌的识别。本申请实施例所述的路牌检测，主要是指运用单个深层卷积神经网络进行路牌检测。本申请的实施例可以利用前向传播网络架构单个深层卷积神经网络，并输出一系列的默认框，之后利用非极大值抑制对GTSDB数据集中的路牌图像进行检测。如图1所示，本申请实施例的基于单个深层卷积神经网络的路牌检测方法，主要包括如下步骤：步骤S110，构建前向传播的卷积神经网络。步骤S120，将产生的默认框与目标框进行匹配。步骤S130，对单个深层卷积神经网络进行训练。步骤S140，测试时利用非极大值抑制算法进行预测。步骤S150，输出路牌的检测结果。本申请实施例中，根据所述路牌数据进行数据增广。图2表示出了路牌数据进行数据增广主要步骤。步骤S210，随机采样一个路径；步骤S220，路径的大小为原始图像的[0.1，1]，纵横比为[0.5，1]。步骤S230，目标框的中心在路径范围内，则保留重叠部分。步骤S240，将每个采样的路径设置为相同大小，并以0.5的概率对其进行水平翻转。本申请实施例中，根据所述训练样本获得单个深层卷积神经网络。图3示出了构造单个深层卷积神经网络的主要步骤。步骤S310，采用VGG-16图像分类模型作为基础网络。VGG-16是一种经典的卷积神经网络结构，该结构有13个卷积层，3个全连接层，一共16层。步骤S320，添加逐渐减小的5层卷积层。步骤S330，最后设置1层池化层。图4为单个深层卷积神经网络的结构示意图。本申请实施例中，对单个深层卷积神经网络进行训练。图4示出了对单个深层卷积神经网络进行训练的主要步骤。步骤S510，利用最佳杰卡德重叠将目标框和默认框进行匹配。将每个目标框与具有最佳杰卡德重叠的默认框进行匹配，保证每个目标框都有对应的默认框。当每个默认框与目标框进行配对时，只要两者的杰卡德重叠大于某一设定的阈值，即为配对成功，所以一个目标框可能对应多个默认框。步骤S520，将负样本按照置信度进行排序。经过匹配之后，许多默认框是负样本，这将导致正样本、负样本不均衡，训练难以收敛。因此，将负样本根据置信度进行排序，选取最高的几个负样本，并且保证负样本、正样本比例为3∶1。步骤S530，计算总的目标损失函数。总的损失函数是局部损失函数和置信损失函数的加权和：局部损失函数：其中，置信损失函数：其中，(gcx，gcy，gw，gh)表示目标框，(dcx，dcy，dw，dh)表示默认框，(lcx，lcy，lw，lh)表示预测的目标框相对于默认框的偏移量。步骤S540，计算默认框的大小以及纵横比。默认框不需要和每一层的感受野相对应，特定的特征图负责处理图像中特定尺度的物体。在每个特征图上，默认框的尺度计算如下：其中，smin＝0.2，smax＝0.9默认框的纵横比有：{1，2，3，1/2，1/3}，当纵横比为1时，额外增加一个默认框，该默认框的尺度为步骤S550，每个目标框与唯一一个默认框配对。本申请实施例中，使用利用极大本文档来自技高网...

【技术保护点】
一种鲁棒的路牌检测方法，用于对路牌图像的检测；其特征在于，该方法包括：构建前向传播的卷积神经网络；将产生的默认框与目标框进行匹配；对单个深层卷积神经网络进行训练；测试时利用非极大值抑制算法进行预测；输出路牌的检测结果。

【技术特征摘要】
1.一种鲁棒的路牌检测方法，用于对路牌图像的检测；其特征在于，该方法包括：构建前向传播的卷积神经网络；将产生的默认框与目标框进行匹配；对单个深层卷积神经网络进行训练；测试时利用非极大值抑制算法进行预测；输出路牌的检测结果。2.根据权利要求1所述的方法，其特征在于，根据所述对路牌数据进行数据增广，包括：随机采样一个路径；路径的大小为原始图像的[0.1，1]，纵横比为[0.5，1]；目标框的中心在路径范围内，则保留重叠部分；将每个采样的路径设置为相同大小，并以0.5的概率对其进行水平翻转。3.根据权利要求1所述的方法，其特征在于，根据所述构造单个深层卷积神经网...

【专利技术属性】
技术研发人员：熊继平，王妃，叶童，
申请(专利权)人：浙江师范大学，
类型：发明
国别省市：浙江,33