[发明专利]一种基于TensorFlow结合多层CNN网络的交通灯识别方法

权利要求书

1.一种基于TensorFlow结合多层CNN网络的交通灯识别方法，其特征在于，包括以下步骤：

步骤a、准备交通信号识别公开数据集图像、标签及视频数据集；其中，所述交通信号识别公开数据集中的图像存在一个图像对应多个标签的情况；

步骤b、用OpenCV对交通信号识别公开数据集中的图像改变大小并输出其RGB三个通道的归一化数值；

步骤c、对标签坐标依据图形的变换规则进行变换并归一化处理；

步骤d、根据标签索引提取出含有交通灯信息的图片并使其与标签一一对应；所述根据标签索引提取出含有交通灯信息的图片的方法为根据标签数据集中索引，提取含有交通灯的图片，并去除重复标记的标签，只留下一个有效标签与图片一一对应，并将重复部分的标签归纳为测试标签数据；

步骤e、将图片和标签送入CNN网络进行训练并保存模型。

2.根据权利要求1所述一种基于TensorFlow结合多层CNN网络的交通灯识别方法，其特征在于，步骤a中所述准备交通信号识别公开数据集图像、标签及视频数据集的系统环境为Windows10+Anaconda3+Tensorflow 1.5.0，生成的原始图片向量个数为6228，对应交通灯位置标签个数为6228，测试图片向量个数为2238，对应交通灯标签个数为2940。

3.根据权利要求2所述一种基于TensorFlow结合多层CNN网络的交通灯识别方法，其特征在于，步骤b所述改变图像大小，为将640*480*3变换为128*128*3，分别输出每个像素RGB三个通道的归一化数值。

4.根据权利要求3所述一种基于TensorFlow结合多层CNN网络的交通灯识别方法，其特征在于，步骤c中所述标签坐标为交通灯位置矩形的左上角横纵坐标和右下角横纵坐标，所述对标签坐标依据图形的变换规则进行变换并归一化处理，即为横坐标数值*0.2，纵坐标数值*0.267，且横纵坐标数值*0.01进行归一化处理。

5.根据权利要求1所述一种基于TensorFlow结合多层CNN网络的交通灯识别方法，其特征在于，步骤e所述CNN网络训练并保存模型的方法，包括以下步骤：

步骤e1、将输入图像矩阵形状由1*49152变换为128*128*3，数据类型为float32，将输入标签矩阵变换为1*4，数据类型为float32；

步骤e2、建立神经网络模型，网络结构为五个卷积层，五个池化层，使用ReLU激活函数，提取出图像特征矩阵，每次送入60组随机数据进行训练；

步骤e3、采用全连接的方法将步骤e2中提取到的图像特征矩阵采用全连接的方式得到最终的图像特征向量P。