[发明专利]基于LDCNN模型和NHE算法的交通标志识别方法

摘要

本发明公开了基于LDCNN模型和NHE算法的交通标志识别方法，包括如下步骤：1）GTSRB数据集预处理；2）交通标志对比度增强；3）构建LDCNN模型；4）训练LDCNN模型；5）识别。这种方法使用方便，能提取交通标志更多特征，提高了交通标志识别的准确率。

主权项

1.基于LDCNN模型和NHE算法的交通标志识别方法，其特征是，包括如下步骤：1)GTSRB数据集预处理：采用数据增强技术对GTSRB数据集中的交通标志进行数量扩增，所述数据增强技术为水平翻转、垂直翻转、旋转和调整亮度；2)交通标志对比度增强：采用新直方图均衡即NHE算法对步骤1)处理后的交通标志整体对比度增强，首先对交通标志进行分频处理，其次对低频数据做直方图均衡，对高频数据做线性加权，最后将低、高频数据进行数量级融合，得最终图像，E(·)表示分频滤波器，k表示加权系数，f(x,y)、fa(x,y)、fb(x,y)和F(x,y)分别表示原始输入、低频分量、高频分量和最终图像；滤波器定义：其中,σ是滤波器的尺度因子，图像f(x,y)经过分频处理得到低频fa(x,y)和高频fb(x,y)，三者关系定义为f(x,y)＝fa(x,y)+fb(x,y)     (2)，fa(x,y)执行直方图均衡,fa1(x,y)为均衡后低频图像，对fb(x,y)进行加权，fb1(x,y)为增强后高频图像，F(x,y)等于fa1(x,y)和fb1(x,y)的线性加和，也即：F(x,y)＝fa1(x,y)+fb1(x,y)＝HE(fa(x,y))+k*fb(x,y)      (5)其中，k为高频部分的权系数；3)构建LDCNN模型：所述LDCNN模型包括顺序连接的卷积层C1、卷积池化层C2c2‑C4c4、聚合层C5‑C7、卷积层C8、全连接层FL9、FL10和输出层Output，其中，C1‑C7层中嵌入块层，交通标志数据加载到主程序C1，C2c2‑C4c4，C5‑C8，经FL9‑10进入Output层输出准确率结果；4)训练LDCNN模型：训练步骤3)构建的模型，即设置模型优化器为Adam、学习率为0.001、批处理大小为256、dropout值为0.5、网络中的权值和偏差为随机初始化，交通标志的大小固定为32×32，采用谷歌开发的机器学习系统TensorFlow来训练LDCNN模型；5)识别：依据步骤4)的已经训练好模型来识别交通标志，以GTSRB测试集为基准，测试准确率达到98％以上为识别成功。