[发明专利]智能汽车交通标志识别的四元数深度神经网络模型方法

说明书

智能汽车能利用传感器收集道路信息，通过计算分析进行驾驶辅助，有利于保障交通安全。对交通标志进行自动识别是智能汽车的关键技术之一，然而，现有方法仍未在一个统一框架中有效对交通标志重要的颜色，轮廓及时间域信息进行联合挖掘学习。针对以上问题，本发明基于四元数的数学表示框架，提出了一种四元数深度神经网络模型方法以提高交通标志识别的鲁棒性，从而为智能汽车的辅助驾驶研究提供了更准确的模型保障。

技术领域

本发明涉及智能汽车交通标志自动识别。

背景技术

智能汽车是智能交通领域的一个重要发展方向，它能利用传感器收集汽车周围的障碍物和道路信息，通过计算机软件计算分析进行驾驶辅助，有利于保障交通安全，减少交通事故发生。交通标志是使用图文信息传达路况的交通设施，对交通标志进行自动识别是智能汽车的关键技术之一。

现有交通标志的识别方法主要分为基于颜色，基于形状，基于手工特征提取加分类器和基于深度学习模型的四种方法。

基于交通标志颜色的识别方法将输入图像在某个颜色空间进行阈值分析进而分割识别，该方法严重依赖于交通标志的彩色信息，在一些极端的光照条件下颜色变化非常大，所以此类方法的鲁棒性和准确性不高。

基于交通标志形状的检测识别方法对于光照变化具有良好的鲁棒性，但是受旋转变化影响较大，即当交通标志发生倾斜时，此类方法会出现明显的漏检。

基于手工特征提取加分类器的方法首先通过某种特征算子提取特征，再联合分类器进行分类识别，如何选择提取合适的特征对结果影响较大，因此该方法并不能较好地适应不同的工作环境。

基于深度学习模型的方法通过对原始图片进行特征自动学习和分类识别。相比前三类方法，此类方法可靠性最高，但是交通标志最重要的颜色，轮廓及时间域信息仍然未能在一个统一的框架中被有效的联合挖掘学习，交通标志识别的鲁棒性仍需要提高。

发明内容

针对如何提高智能汽车交通标志识别的鲁棒性问题，本发明提供了一个基于四元数深度神经网络的模型方法。在四元数的数学框架下将传统标量卷积神经网络拓展为超复数卷积神经网络，构建了对颜色及时间维度进行联合挖掘学习的深度神经网络，提高了交通标志识别的准确和稳定性，从而为智能汽车的辅助驾驶研究提供了更准确的模型保障。

本发明采用的技术方案具体步骤如下：

一种智能汽车交通标志识别的四元数深度神经网络模型方法，具体方法包括如下步骤：

步骤1.基于四元数视觉注意模型的交通标志感兴趣区域提取；

首先对给定的视频图像帧进行预处理，然后采用四元数视觉注意模型构建前景目标显著图，最后根据显著图进行阈值分割提取感兴趣区域。

步骤2.基于四元数卷积神经网络的交通标志检测；

根据提出的四元数卷积神经网络，从感兴趣区域中检测出交通标志，在时间域上对检测结果进行匹配，构建包含当前帧及其前后帧的交通标志图像组。

步骤3.基于颜色时间域联合学习的深度神经网络的交通标志识别。

根据提出的深度神经网络对颜色及时间维度进行联合挖掘学习，完成对交通标志的识别分类。

本发明基于四元数的数学表示框架，提出了一种四元数深度神经网络模型方法以提高交通标志识别的鲁棒性，从而为智能汽车的辅助驾驶研究提供了更准确的模型保障。

附图说明

图1为本发明方法系统结构流程图。

图2四元数卷积神经网络结构图。

图3四元数卷积神经网络感受野及特征图生成示意图。