[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

说明书

本发明公开一种基于改进卷积神经网络的交通标志识别方法，包括以下步骤：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处理，得到训练集和测试集；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；将测试集输入训练好的STN‑CNN模型进行识别预测，得到最优模型；将待测交通标志数据输入最优模型，得到预测结果。本发明提供的模型参数少、鲁棒性强，同时模型训练、运行计算所需要的时间短，能够满足实际应用中的实时性要求。

技术领域

本发明涉及图像识别领域，尤其涉及一种基于改进卷积神经网络的交通标志识别方法。

背景技术

随着智能交通系统的发展，高级辅助驾驶系统(Advanced Driver AssistanceSystem,ADAS)技术被提出并逐渐被广泛地应用于智能汽车系统中。交通标志识别系统(Traffic Sign Recognition System,TSR)是ADAS系统中重要的组成部分。TSR通过采集道路上的交通标志信息，传送到图像处理模块进行标志的检测与识别，并根据识别结果指导驾驶员或自动驾驶车辆做出合理的应对措施，从而减轻驾驶压力，缓解城市交通压力，有利于道路交通安全。由于自然条件下拍摄多角度、运动模糊、图像遮挡、光照条件等因素的影响，开发出高准确度且实时的交通标志识别系统一直是所需要解决的基本问题。

现有的交通标志识别方法总体上可以划分为以下三类：基于颜色的图像识别方法，基于形状的图像识别方法和基于卷积神经网络进行特征提取的图像识别方法。基于颜色和形状的方法更多依赖于交通标志本身的显著特点，但如果这些显著特点受到遮挡、天气情况或光照条件等客观因素的影响，算法就不能准确地捕捉特征，从而起不到需要的识别效果。随着人工智能的发展，基于卷积神经网络的方法能适应不同干扰带来的影响，准确率也有所提高。但是在过度追求神经网络深度与复杂度以提高准确率的同时，模型训练、运行计算所需要的时间明显提高，效能大大降低的同时，需要的运行配置极高，代价极大，因此现有的交通标志识别方法存在模型自身缺点的同时，其模型本身复杂的网络结构以及参数，网络性能同样无法满足实时性的要求。

发明内容

为了克服现有技术中所存在的问题，本发明提供一种基于改进卷积神经网络的交通标志识别方法。本发明通过对原始数据进行预处理，同时使用改进卷积神经网络，提高模型的准确性和实时性，具体步骤包括：

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，将空间变换网络插入卷积神经网络，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。

优选的，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。

优选的，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；