[发明专利]具有自我学习能力的实时交通标记识别方法及系统

摘要

本发明公开了一种具有自我学习能力的实时交通信号识别方法及系统，其中具有自我学习能力的实时交通信号识别方法，包括将采集的图像数据进行检测，从而得到交通标志图像的步骤；对上述检测到的交通标志图像采用基于降维的方法进行识别的步骤。通过对采集的图像数据进行检测，得到交通标志图像，并对交通标志图像进行降维处理，然后与分类库进行比对，从而得出交通标志图像的含义，并通过自我学习对降维的映射矩阵进行更新，从而使得交通标记的识别更加准确，而采用的降维方法运行速度快，从而达到了快速准确的识别交通标记的目的。

主权项

一种具有自我学习能力的实时交通标记识别方法，其特征在于，包括将采集的图像数据进行检测，从而得到交通标志图像的步骤；对上述检测到的交通标志图像采用基于降维的方法进行识别的步骤；上述基于降维的方法为：将交通标志图像表示为一个矩阵X，X为高维矩阵，然后将X通过一个线性映射投影到一个低维空间，将X对应的低维空间矩阵表示为y，则映射关系为：y＝XAT，其中，A是映射矩阵，是通过训练得到的，具体为，在初始化阶段，训练库预先设定样本为训练库，通过预先设定的样本，得到映射矩阵A，在实际运用中采集到新的交通标志图像后，将代表新的交通标志图像的特征矩阵利用A映射到一个低维空间，然后利用分类器将低维映射值与样本映射值分类，得出新的交通标志图像属于哪类，最终得到识别结果，如果识别正确，则不做处理，如果识别错误，则将新的交通标志图像发送给云端服务器，云端服务器将其加入到训练库中，重新训练得到新的映射矩阵A′，得到A′后，使用网络将该映射矩阵传输到安装在移动终端上的数据处理模块，使用A′替换A，即A′成为新映射矩阵；上述利用分类器将低维映射值与样本映射值分类中的分类器至少包括最近邻分类器和支持向量机分类器；上述基于降维的识别方法，方法为基于稀疏表示的图嵌入方法；所述基于稀疏表示的图嵌入方法具体为：步骤401：将训练库中的交通标志图像进行分类得到分层图结构，在不同的层分别构建类内图和类间图；步骤402：将上述分层图结构应用到图嵌入框架下，得到如下目标函数：其中，i和j是索引，取值范围为0到训练样本总个数，yi表示第i个训练样本在低维空间的映射，yj表示第j个训练样本在低维空间的映射其中：y表示低维空间矩阵，X表示采集的样本集合，Ww表示类内图的权重矩阵，Wb表示类间图的权重矩阵，Lw和Lb分别是类内图和类间图的拉普拉斯特征矩阵，定义为Lw＝Dw‑Ww，Lb＝Db‑Wb，Dw和Db是两个对角矩阵，其对角元素的值分别由Ww和Wb对应行的所有元素求和得到其余位置元素值为0，即D是一个对角矩阵，Dii＝∑jwij，子空间映射矩阵A通过求解如下式得到：AXTLwXAT＝λAXTLbXAT，假设a1，a2，……,ad为求解上式得到的特征向量，λ1，λ2，……,λd为对应的特征值，并且满足条件λ1<λ2<……<λd，映射关系表示为：X→y＝XAT，A＝[a1，a1，……ad]；步骤403：引入稀疏表示优化步骤402中的图嵌入；具体为首先，目标函数定义为：为了使A满足稀疏性在目标函数中加入如下的正则项：min||A||2，1，将步骤402中的f转化为如下公式：min yTLwys.t. yTLby＝I，s.t.表示约束条件，结合稀疏表示的目标函数和402中图嵌入的目标函数，将二者相加，得到最终的目标函数L：s.t.yTLby＝I，s.t.表示约束条件，其中I表示单位矩阵，即矩阵对角位置元素值为1，其余位置元素值均为0，其中，ω和为平衡参数，将L对A求导，并令导数为零，得到A的表达式为：其中，Δ是对角矩阵其中i是索引，Ai表示矩阵A的第i行的元素的所有值相加得到的和；将得到的A带入到最终目标函数L中，然后用拉格朗日法解最优化问题，优化解为下式前d个最小特征值对应的特征向量：Γy＝λLby，其中，使用迭代法来解决此优化问题，即首先固定A，求解y，然后使用得到的y去更新A，如此往复，直到A和y收敛。