[发明专利]一种基于TensorFlow结合多层CNN网络的交通灯识别方法

说明书

一种基于TensorFlow结合多层CNN网络的交通灯识别方法属于计算机视觉与机器学习领域；准备交通信号识别公开数据集图像、标签及视频数据集；利用OpenCV对TensorFlow和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；对坐标标签依据图形的变换规则进行变换并归一化处理；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；将图片和标签送入CNN网络进行训练并保存模型；使本发明有效的解决了标注的准确度不高和识别速度慢的技术问题。

技术领域

本发明属于计算机视觉与机器学习领域，尤其涉及一种基于TensorFlow结合多层CNN网络的交通灯识别方法。

背景技术

对图像中的交通灯位置进行识别是一项结合计算机视觉与机器学习(MachineLearning)的技术，随着人工智能时代的到来，以自动驾驶汽车为主的设备对交通信息的收集处理的需要越来越大，如何更高效地在摄像头所示的范围内找到准确的交通信息，仅仅依靠传统的图像识别算法是不够的高效准确的。对于自动驾驶汽车而言，为了保证在现有法律法规及交通规则下安全行驶，对路况的实时感知能力是十分重要的，其中重要的一点就是交通灯信息的收集处理能力，由于交通灯信息变化较快，要求自动驾驶系统在这方面的收集处理要速度快，准确性高。

依靠传统图像处理手段也可以实现对画面中交通灯位置的标注，但其标注的准确度不高和识别速度慢。

发明内容

本发明克服了上述现有技术的不足，提供一种基于TensorFlow结合多层CNN网络的交通灯识别方法，本发明采用交通信号识别公开数据集，即Traffic LightsRecognition(TLR)public benchmarks最为数据集，含有6228幅有效图片及对应的一对多标签，使本发明提取到的图像特征具有一定的表述能力，通过卷积神经网络算法对对图片中的交通灯位置进行标注，使本发明有效的解决了标注的准确度不高和识别速度慢的技术问题。

本发明的技术方案：

一种基于TensorFlow结合多层CNN网络的交通灯识别方法，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；

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、对坐标标签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；

步骤e、将图片和标签送入CNN网络进行训练并保存模型。

进一步地，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。

进一步地，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。

进一步地，步骤c中所述坐标标签为交通灯位置矩形的左上角横纵坐标和右下角横纵坐标，所述对坐标标签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。

进一步地，步骤d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。

进一步地，步骤e所述CNN网络训练并保存模型的方法，包括以下步骤：