[发明专利]一种基于卷积神经网络的交通标志检测与识别方法

说明书

技术领域

本发明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。

背景技术

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。

发明内容

本发明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。本发明的技术方案如下：

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＜0.05 or Hue＞0.95

b)Saturation＞0.5

c)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。

本发明的优点及有益效果如下：

1.本发明利用HSV颜色模型提取特征，确定交通标志的大致区域。