[发明专利]一种交通标志深度学习模式识别方法

权利要求书

1.一种交通标志深度学习模式识别方法，所述方法包括以下步骤：

步骤1，输入交通标志图像作为测试样本与训练样本并进行预处理；

步骤2，设计卷积神经网络模型，使用样本训练网络，通过训练让网络自动提取深层颜色特征用以排除人工的痕迹；

步骤3，使用深层颜色特征训练分类器识别测试样本的交通标志，进行交通标志识别。

2.根据权利要求1所述的一种交通标志深度学习模式识别方法，其特征在于：步骤1中，训练样本的预处理包括：

对训练、测试样本实施去均值，训练样本图像减去训练样本均值；测试样本图像减去训练样本均值；

随机选择对训练样本增加转动角度，提升图像在角度方面的图像多样性；

随机选择对训练样本在水平方向上进行拉伸或压缩，提升图像在视觉方面的图像多样性；

统一训练样本、测试样本尺寸大小。

3.根据权利要求1所述的一种交通标志深度学习模式识别方法，其特征在于：步骤2中，设计一个n层卷积神经网络特征加权融合残差模型；

采用的交通标志数据库有43种标志，所以使网络输出为aⁱ,i＝1,2,3...m，其中为输出m个数,m＝43；网络加权通道为k，k＝6；则网络每一层的计算公式如下：

其中l为网络的第l层；w_lj为第l层网络通道；x_l为第l层输入。

4.根据权利要求1所述的一种交通标志深度学习模式识别方法，其特征在于：步骤2中，使用样本训练卷积神经网络，提取深层颜色特征包括：

使用随机和稀疏连接表在特征维度上构建每个卷积层，并根据多个卷积层构建卷积神经网络对交通标志图像进行卷积与池化操作；

使用Squeeze-Excitation网络模块对不同通道的图像特征图进行加权运算，使用模块中全连接层对图像特征进行加强；

将不同尺寸的特征通道模块融合为多尺度颜色特征；

将不同深度上的特征进行归一化并融合为深层颜色特征；

根据每个尺度特征融合层第一层的输入与网络尺度特征融合层拟合的底层映射学习卷积神经网络的残差映射。

5.根据权利要求4所述的一种交通标志深度学习模式识别方法，其特征在于：所述使用随机和稀疏连接表在特征维度上构建每个卷积层，根据多个卷积层构建卷积网络对交通标志图像进行卷积与池化操作包括：

卷积层在特征维度上使用随机和稀疏连接表组合密集的网络形成逐层结构，分析最后一层的数据统计并聚集成具有高相关性的神经元组，该神经元形成下一层的神经元并连接上一层的神经元；相关的神经元集中在输入数据图像的局部区域，在下一层覆盖小尺寸的卷积层，小数量展开的神经元组被较大的卷积所覆盖，其中，融合多尺度特征的采用3×3和5×5大小的卷积层和3×3大小的池化层过滤器，所有输出的滤波器组连接作为下一层的输入；在高计算量的3×3和5×5的卷积核之前添加1×1的卷积核。

6.根据权利要求4所述的一种交通标志深度学习模式识别方法，其特征在于：所述使用Squeeze-Excitation网络模块对不同通道的图像特征图进行加权运算，使用模块中全连接层对图像特征进行加强包括：

在一种尺度特征卷积通道中，图像经过卷积池化浅层操作进入Squeeze-Excitation网络模块；在Squeeze-Excitation模块中使用最大汇聚对局部区域中邻域内的特征点取最大值的方式进行池化操作；

特征组得到输入为1×1×n(通道数)输出为1×1×n的三层全连接网络.映射特征组的n维向量对不同通道的图像特征图进行加权运算，自动增强图像特征信息。

7.根据权利要求4所述的一种交通标志深度学习模式识别方法，其特征在于：所述将不同尺寸的特征进行融合为多尺度颜色特征，融合多尺度特征采用6条网络通道，单个通道包括浅层卷积池化提取和SE网络模块两部分；6条通道的浅层机构分别采用两个3×3、5×5大小的卷积层过滤器和两个3×3大小的池化层过滤器；两个同尺度网络通道的浅层网络层数不同，其余相同。