[发明专利]一种基于改进卷积神经网络的交通标志识别方法

权利要求书

1.一种基于改进卷积神经网络的交通标志识别方法，其特征在于，包括以下步骤：

步骤1.获取交通标志数据集，对交通标志数据集进行划分，得到原始训练集和原始测试集，对原始训练集和原始测试集分别进行预处理，得到预处理后的训练集和预处理后的测试集，然后对预处理后的训练集进行数据扩充，得到训练集；

步骤2.构建卷积神经网络，将空间变换网络引入卷积神经网络，得到STN-CNN模型，将训练集输入STN-CNN模型进行训练，得到训练好的STN-CNN模型；

步骤3.将预处理后的测试集输入训练好的STN-CNN模型进行识别预测，得到最优STN-CNN模型；

步骤4.获取待测交通标志图像，将待测交通标志图像输入最优STN-CNN模型，得到预测结果。

2.根据权利要求1所述一种基于改进卷积神经网络的交通标志识别方法，其特征在于：

所述步骤1中，原始测试集的预处理的具体步骤包括：

将原始测试集中的图像数据通过上采样或下采样缩放到同一尺寸大小；得到预处理后的测试集。

3.根据权利要求2所述一种基于改进卷积神经网络的交通标志识别方法，其特征在于：

所述步骤1中，原始训练集的预处理的具体步骤包括：

将原始训练集中的图像数据通过上采样或下采样缩放到与测试集同一尺寸大小；得到采样后的训练集；

对采样后的训练集采用局部直方图均衡化对缩放后的图像数据进行处理；

对均衡化后的图像数据进行灰度处理；

对灰度处理后的图像数据进行图像增强，获得预处理后的训练集。

4.根据权利要求3所述一种基于改进卷积神经网络的交通标志识别方法，其特征在于：

所述步骤1中，数据扩充的具体步骤包括：

新增交通标志图像数量，使各类交通标志图像数量均衡，对新增的交通标志图像数据按照原始训练集的预处理方法进行预处理，获得平衡训练集；

对平衡训练集和预处理后的训练集进行整合，得到训练集。

5.根据权利要求3所述一种基于改进卷积神经网络的交通标志识别方法，其特征在于：

所述图像增强的具体步骤包括图像翻转、图像旋转、投射、添加噪声、模糊图像。

6.根据权利要求1所述一种基于改进卷积神经网络的交通标志识别方法，其特征在于：

所述步骤2中，卷积神经网络包括：

一个输入层、三个卷积模块、三个全连接层；

三个所述卷积模块依次连接；三个所述全连接层依次连接；

所述输入层、卷积模块、全连接层依次连接；

所述卷积模块包括卷积层、ReLU激活函数和最大池化层；

所述卷积层、ReLU激活函数和最大池化层依次连接。

7.根据权利要求6所述一种基于改进卷积神经网络的交通标志识别方法，其特征在于：

所述步骤2中，将空间变换网络引入卷积神经网络具体步骤为：

每个所述卷积模块的前一端分别插入所述空间变换网络，得到STN-CNN模型。

8.根据权利要求1所述一种基于改进卷积神经网络的交通标志识别方法，其特征在于：

所述步骤2中，将训练集输入STN-CNN模型进行训练具体步骤包括：

步骤2.1.将训练集输入到STN-CNN模型进行前向传播，得到输出结果；

步骤2.2.根据交通标志数据集，获取实际结果，根据输出结果与实际结果的误差，采用反向传播更新STN-CNN模型的权重，完成一次前向传播和反向传播的迭代过程；

步骤2.3.重复迭代过程，直到达到设定的迭代停止条件，停止重复迭代过程，得到训练好的STN-CNN模型。

9.根据权利要求8所述一种基于改进卷积神经网络的交通标志识别方法，其特征在于：

所述步骤2.2中，反向传播采用随机梯度下降算法。

10.根据权利要8所述一种基于改进卷积神经网络的交通标志识别方法，其特征在于：

所述步骤设定的迭代停止条件包括，设定的迭代次数或者STN-CNN模型的权重稳定不发生变化。