一种基于多核卷积网络的交通标志阶梯式分类识别方法技术

本发明专利技术公开了一种基于多核卷积网络的交通标志阶梯式分类识别方法，构建改进的Alexnet网络，包括依次连接的两个最大池化层、卷积层、Inception卷积层、两个卷积层、最大池化层、Inception卷积层、卷积层、两个全连接层、Dropout层、全连接层和输出层；预处理后的交通标志图片输入到改进的Alexnet网络进行粗分类，再将粗分类结果输入到改进的Alexnet网络进行细分类，最终确定交通标志的类别；粗分类和细分类均是利用改进的Alexnet网络提取交通标志形状和颜色特征并使用softmax作为分类器进行分类。本发明专利技术方法能够提高复杂环境中对交通标志识别的准确性和实时性。通标志识别的准确性和实时性。通标志识别的准确性和实时性。

【技术实现步骤摘要】
一种基于多核卷积网络的交通标志阶梯式分类识别方法


[0001]本专利技术属于计算机视觉
，具体涉及一种基于多核卷积网络的交通标志阶梯式分类识别方法。

技术介绍

[0002]在自动驾驶领域中，交通标志的检测与识别已经成为计算机视觉和智能交通领域的研究重点。交通标志通常有较为突出的信息，主要分为红色、黄色和蓝色，形状方面有圆形、三角形和矩形，功能方面包括警告、禁止和提醒。近年来，随着城市化建设的推进，道路情况也越来越复杂多变，交通标志识别面临着复杂多变的道路环境的挑战。
[0003]现阶段，可用于交通标志识别的方法主要有卷积神经网络、机器学习、模板匹配等。例如，Annamraju等人修改卷积网络中的卷积核大小、步长等参数，通过加权组合，将4个卷积网络并行训练模型，精度超过99.5％，但网络结构过于臃肿；Meng、Peng等人基于传统的卷积网络，将卷积核换成Gabor过滤器，利用批量归一化的处理方法，识别率虽有所提升，但实时性有待提高；张继贤等人考虑到训练效率、收敛速度等方面因素，利用Alexnet模型验证了在遥感影像地表覆盖分类中深度卷积网络的有效性；赵地等人在医学图像领域，对Alexnet模型加以改进，得到了较为理想的训练测试结果。再例如，李毅等人在Alexnet网络模型的基础上，修改了卷积网络中的参数，在多聚焦图像融合过程中，利用改进后的网络模型对聚焦和散焦两种图像进行分类。这些识别方法专注于识别交通标志的颜色形状等突出特征，并经过多次训练来提取特征点，其识别速度和准确率方面有较好的效果，但是在处理复杂环境下的标志识别问题上，识别效率和准确性上还存在不足。

技术实现思路

[0004]针对现有技术中存在不足，本专利技术提供了一种基于多核卷积网络的交通标志阶梯式分类识别方法，提高复杂环境中对交通标志识别的准确性和实时性。
[0005]本专利技术是通过以下技术手段实现上述技术目的的。
[0006]一种基于多核卷积网络的交通标志阶梯式分类识别方法：
[0007]预处理后的交通标志图片输入到改进的Alexnet网络进行粗分类，再将粗分类结果输入到改进的Alexnet网络进行细分类，最终确定交通标志的类别；
[0008]所述改进的Alexnet网络包括依次连接的两个最大池化层、卷积层、Inception卷积层、两个卷积层、最大池化层、Inception卷积层、卷积层、两个全连接层、Dropout层、全连接层和输出层；
[0009]所述粗分类和细分类具体是利用改进的Alexnet网络提取交通标志形状和颜色特征并使用softmax作为分类器进行分类。
[0010]进一步的技术方案，所述粗分类是利用下述假设函数得到输入的交通标志属于某个类别的概率：
[0011][0012]其中，h(x)表示假设函数，p(y
i
＝j|x
i
)表示将样本x
i
标记为类别j的概率，y
i
表示样本x
i
的真实类别，o表示输出的概率，k表示类别的总数。
[0013]更进一步的技术方案，利用softmax的损失函数度量预测概率的效果，所述损失函数为：
[0014][0015]其中，L表示损失函数，m表示样本总数，l{y
i
＝j}是用示性函数表示样本的正确结果；
[0016]利用梯度下降法最小化损失函数，使得假设函数预测概率与真实概率之间的距离最小。
[0017]进一步的技术方案，所述Inception卷积层引入Inception多核并联卷积结构，所述多核并联卷积结构包含1
×
1、3
×
3、5
×
5三种尺寸的卷积核，并拼接三种卷积核输出的不同尺度特征。
[0018]进一步的技术方案，所述卷积层的卷积核尺寸为3
×
3。
[0019]进一步的技术方案，所述交通标志图片的预处理包括去除交通标志边缘的背景区域，调整图片像素，并缩放成正方形。
[0020]进一步的技术方案，在细分类之前，对粗分类的交通标志图片进行预处理，包括去除背景、圆形边框。
[0021]进一步的技术方案，用于粗分类和细分类的改进的Alexnet网络分别进行训练。
[0022]本专利技术的有益结果为：本专利技术对Alexnet网络进行改进，具体添加两个Inception卷积层和Dropout层；在添加的两个Inception卷积层中，Inception卷积层引入Inception多核并联卷积结构，多核并联卷积结构包含1
×
1、3
×
3、5
×
5三种尺寸的卷积核，更好地进行交通标志的识别；Dropout层设置在第二个全连接层后面，减少过拟合问题；另外，采用改进的Alexnet网络模型对交通标志分别进行阶梯式分类，包括粗分类和细分类，具有较高的实时性和识别准确率，满足复杂场景下交通标志识别的要求。
附图说明
[0023]图1为本专利技术所述基于多核卷积网络的交通标志阶梯式分类识别流程图；
[0024]图2为本专利技术所述改进的Alexnet网络结构图；
[0025]图3为本专利技术所述阶梯式分类算法流程图；
[0026]图4为本专利技术中基于GTSRB的交通标识分类结果示意图。
具体实施方式
[0027]下面结合附图以及具体实施例对本专利技术作进一步的说明，但本专利技术的保护范围并不限于此。
[0028]如图1所示，本专利技术一种基于多核卷积网络的交通标志阶梯式分类识别方法，具体包括如下步骤：
[0029]步骤(1)，通过网络获取交通标志数据集，该交通标志数据集包括若干张含有交通标志的图片，对图片进行预处理：去除交通标志边缘的背景区域，调整图片像素，并缩放成正方形；为了实现本专利技术识别方法实现复杂环境中交通标志准确实时的识别，本实施例中的交通标志数据集采用德国交通标志识别基准数据集(GTSRB)，以满足需求；其中去除交通标志边缘的背景区域采用等比例切割的方式，去除掉图片周围10％的边缘区域；调整后的图片像素为48
×
48。
[0030]步骤(2)，改进传统的Alexnet网络
[0031]为了使网络结构具有更好的识别精度，在Alexnet网络的基础上额外添加两个Inception卷积层，在添加的两个Inception卷积层中，Inception卷积层引入Inception多核并联卷积结构，多核并联卷积结构包含1
×
1、3
×
3、5
×
5三种尺寸的卷积核，采用不同大小的卷积核，有了不同大小的感受野，最后拼接三种卷积核输出的不同尺度特征，使得网络结构能够提取更加丰富的特征。
[0032]在网络结构的第二个全连接层后面引入Dropout层，用于减少过拟合问题。
[0033]最终完成对传统的Alexnet网络改进，改进后的网络结构中共有15本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多核卷积网络的交通标志阶梯式分类识别方法，其特征在于：预处理后的交通标志图片输入到改进的Alexnet网络进行粗分类，再将粗分类结果输入到改进的Alexnet网络进行细分类，最终确定交通标志的类别；所述改进的Alexnet网络包括依次连接的两个最大池化层、卷积层、Inception卷积层、两个卷积层、最大池化层、Inception卷积层、卷积层、两个全连接层、Dropout层、全连接层和输出层；所述粗分类和细分类具体是利用改进的Alexnet网络提取交通标志形状和颜色特征并使用softmax作为分类器进行分类。2.根据权利要求1所述的交通标志阶梯式分类识别方法，其特征在于，所述粗分类是利用下述假设函数得到输入的交通标志属于某个类别的概率：其中，h(x)表示假设函数，p(y
i
＝j|x
i
)表示将样本x
i
标记为类别j的概率，y
i
表示样本x
i
的真实类别，o表示输出的概率，k表示类别的总数。3.根据权利要求2所述的交通标志阶梯式分类识别方法，其特征在于，利用softmax的损失函数度量预测概率的效果，所述...

【专利技术属性】
技术研发人员：汤传业，李轶然，陈建锋，周卫琪，吴豪杰，
申请(专利权)人：江苏大学，
类型：发明
国别省市：