[发明专利]一种交通标志深度学习模式识别方法

说明书

本发明公开了一种交通标志深度学习模式识别方法，包括以下步骤：对交通标志图像的测试样本与训练样本进行预处理；设计基于卷积神经网络的多尺度特征加权运算融合的残差深度学习网络，主要通过训练让网络自动提取特征以排除人工的痕迹；使用深层颜色特征训练分类器并对交通标志测试样本识别。本发明将图像特征加权运算结合多尺度卷积融合网络应用到交通模式识别技术中，显著提高了网络的训练效率，有效解决了交通标志识别方法中遇到的精度和实时性不够理想、网络结构复杂且训练时间长和稳定性和鲁棒性差等问题。训练好的网络在43类交通标志图像识别精度达到97％。

技术领域

本发明涉及交通标志识别领域，尤其涉及一种深层网络模型图像模式识别的方法。

背景技术

在汽车行驶过程中，交通标志图像的模式识别是智能交通控制系统的重要组成部分，在这个环节中对不同交通指令状态的识别精度对后续汽车行驶控制效果有至关重要的作用。通过摄像采集道路现场环境中的不同种类交通数据进行辨识，判断出当前交通指令状态的类型，并反馈到汽车的控制机构，通过控制执行机构的运行来保障汽车的安全行驶，最后使智能汽车满足无人驾驶的生产标准,所以应该寻求和研究高精度交通标志的模式识别方法。

道路交通标志识别(TSR,Traffic Signs Recognition)作为车载辅助系统中一个重要分支，是目前尚未解决的难题之一。由于交通标志中含有许多重要的交通信息，如对当前行车的速度提示、前方道路状况的变化、驾驶员行为制约，因此在该辅助系统中，如何快速、准确、有效地识别出道路中的交通标志并将之反馈给驾驶人员或控制系统，对于保证驾驶安全,避免交通事故的发生具有十分重要的研究意义。路面交通标志识别常用的方法包括基于形状的识别方法，特征提取与分类器结合的方法，深度学习的识别方法。基于形状的识别方法鲁棒性较差，复杂环境中效果不佳。特征提取与分类器结合的方法识别效果较好，但计算开销大，环境适应能力比较差。深度学习能够直接对原始图像进行识别，提取反映数据本质的隐性特征，具有足够的学习深度。卷积神经网络具有局部权值共享的特性，对于环境复杂、多角度变化等情况都具有一定的实时性和鲁棒性。因此，需要设计一种能够精确获取道路场景中路面交通标志的识别方法。

传统的交通标志模式识别方法是利用模板匹配、神经网络、图像特征与分类器结合等方法，充分利用图像SIFT、HOG、Haar、ORB特征得到不错的效果。这些人为特征抗扰能力差，在理论上存在缺陷，难以满足高精度图像识别的需求。基于深层网络的交通标志识别方法简单有效，但是网络训练时间不够理想，训练模型过大，实际应用的很少。近年来，本领域内的专家学者研究了轻量型的深层网络的图像识别和应用方面的技术，取得了非常好的效果。但是由于神经网络的复杂性和现有优化技术的不足，导致基于神经网络模式识别系统的辩识模型结构复杂，并且存在网络训练时间长，稳定性差等问题。

交通标志图像包括指示、禁止、警告等几类，同类交通图像也存在大量的类内变化，使识别过程更加复杂。在城市道路环境下，由于时间、角度、天气不同，标志图像信息可能会受到颜色、形状等干扰，精确的检测并完整的截取标志区域难度较大。

另一方面，智能优化算法在最近几十年里得到了快速的发展，通过智能优化方法可以得到很多非线性优化问题的最优解。将智能优化算法技术应用到量子神经网络训练中，提高了建模精度和效率，是非线性建模领域的富有前景和应用价值的研究方向。这也为高精度和高效率的交通标志在线模式识别技术问题提供了技术支持和理论依据。

综上所述，针对现有技术中交通标志识别的准确率低、参数冗余与过拟合的问题，目前尚未有有效的解决方案。

发明内容

本发明目的在于提供一种能够提高交通标志识别的准确率、精简结构参数、消除过拟合的交通标志深度学习模式识别方法，为控制系统提供可靠的控制依据，为提高智能交通的无人驾驶技术提供有力保证。

为实现上述目的，采用了以下技术方案：本发明所述方法包括以下步骤：