[发明专利]一种基于卷积神经网络的快速交通标识牌识别方法

摘要

本发明针对已有的交通标识牌识别方法中识别目标种类单一，速度较慢的问题，提出了一种基于卷积神经网络的快速交通标识牌识别方法Fast Traffic Sign Recognition‑Convolution Neural Network，简称FTSR‑CNN。该方法利用卷积核滑动滤波提取特征，在前向学习过程中求得网络的损失，保证了网络模型对交通标示牌多累识别的准确性；调整网络结构中的参数和激活函数类型和降维操作来优化网络性能，最终具有更好的准确性和实时性。同时，为了提升样本的多样性，对数据集的样本进行基于仿射变换的数据增广。FTSR‑CNN在德国交通标识牌数据集GTSRB和Tsinghua‑Tencent 100K两个数据集测试的识别率分别为95.74％和96.67％。结果表明FTSR‑CNN通过改进以往的模型网络和启用不同的训练策略，使得本方法在相同的识别准确水平下加快了方法的识别速度。

主权项

一种基于卷积神经网络的快速交通标识牌识别方法，所述方法包括下列步骤：(1)依据实际场景交通标示牌发生的变化，通过数据增广交通标识牌的训练集数据并得到灰度化和归一化的数据集；(2)进行FTSR‑CNN网络结构的整体设计，根据已有数据的规模与特点设计FTSR‑CNN模型网络结构，选择在MS‑3convs‑16‑32‑48基础上进行相应改进，本方法所构建的FTSR‑CNN推荐包含3个卷积层convolution layer，2个最大值降采样层max pooling layer和2个全连接层fully‑connected layer；(3)构造卷积核大小分比为5*5、3*3、3*3个像素的FTSR‑CNN卷积层；(4)构造FTSR‑CNN降采样层；(5)构造FTSR‑CNN全连接层；(6)设计选取FTSR‑CNN激活函数和学习率参数；(7)加载网络模型并初始化网络参数；(8)输入待测试的图像数据，识别交通标示牌。