[发明专利]一种基于非对称卷积神经网络的交通标志识别方法

权利要求书

1.一种基于非对称卷积神经网络的交通标志识别方法，包含图像预处理、非对称卷积神经网络的训练、准确率验证和图像识别四个部分；其特征在于以下步骤，

一、图像预处理

取原始图像中的目标区域取出，将彩色图像转化为灰度图像，并缩放到同一的A×A大小，为增强对比度，再将目标区域经过对比度增强处理，得到原始的训练集，测试集采用同样的方式处理；将原始训练集经过旋转[-10^。,10^。],缩放[0.9，1.1]后，加入原始数据集中，组成新的训练集；在新的数据集中随机取出与测试集数目相当的样本组成验证集，剩余的样本组成最终的训练集；

二、非对称卷积神经网络的训练

模型训练方法采用min batch反向传播方法,每次从训练集中取固定数量的样本参加训练；

(1)前向传播阶段

①从训练集中取出训练样本(x_t，y_t),将x_t作为两个独立的卷积神经网络的输入，y_t作为前向传播结果的比对标准；

②采用随机pooling的卷积神经网络卷积过程为，采用可训练的卷积核W与输入图像做卷积，得到的卷积加上一个可训练的偏置b,然后经过ReLU激活函数得到卷积特征图C_1s；而采用maxout的卷积神经网络是采用训练的方法求得激活函数，即在加上可训练的偏置b之后，须在k个卷积特征图中，按每个位置选取值最大的作为最后的神经元激活值，得到卷积特征图C_1m；

③在随机pooling的卷积神经网络中，从pooling区域的多项式分布中选择出该pooling区域的响应值；多项式分布概率根据下面的公式计算得出，

pi=aiΣk∈Rjak---(1)]]>

R_j是第j个pooling区域，a_i、a_k分别为pooling区域中元素i和k的值，p_i为pooling区域中元素i对应的概率；根据得到的概率，从a_l中采样得到pooling结果:

sj=alwhere l~P(p1,...,p|Rj|)---(2)]]>

通过以上操作，得到pooling特征图S_2s；

在maxout卷积神经网络中，采用最大值采样，即在pooling区域中取最大激活值，通过上述操作得到pooling特征图S_2m；

④重复②、③，依次得到特征图C_3s、C_3m、S_4s和S_4m；

⑤将S_4s和S_4m合并，形成图像的特征，经过全连接层之后送入softmax分类器，得到分类结果O_t；

(2)反向传播阶段

①计算实际输出O_t与相应的理想输出y_t的差；

②计算整体的代价函数为

J(W,b)=1mΣi=1m(12||Ot(i)-yt(i)||2)---(3)]]>

反向传播，对于第n_l层(输出层)的每个输出单元i，我们根据以下公式计算残差：

δi(nl)=-(yi-ai(nl))·f′(zi(nl))---(4)]]>

对l＝n_l-1，n_l-2，n_l-3，...，2的各个层，第l层的第i个节点的残差计算方法如下：

δi(l)=(Σj=1sl+1Wji(l)δj(l+1))·f′(zi(l))---(5)]]>

计算偏导数，计算方法如下：

▿W(l)J(W,b;x,y)=δ(l+1)(a(l))T---(6)]]>

▿b(l)J(W,b;x,y)=δ(l+1)---(7)]]>

ΔW(l):=ΔW(l)+▿W(l)J(W,b;x,y)---(8)]]>

Δb(l):=Δb(l)+▿b(l)J(W,b;x,y)---(9)]]>

更新权重参数：

W(l)=W(l)-α(1mΔW(l))---(10)]]>

b(l)=b(l)-α[1mΔb(l)]---(11)]]>

至此1次迭代完成，保存调整后的权值，重复前向传播阶段，直至达到设定的迭代次数后，训练结束，保存并把此权值输出给验证集以验证；

三、准确率验证

使用验证集验证输入的权值，将输入和映射的结果进行对比，输出错误率，如果错误率达到满意的要求，则可以进行测试识别，否则，调整网络规模或者增加迭代次数重新进行训练；

四、图像识别

将检测到的交通标志图像经过预处理之后，使用训练好权值的网络模型进行识别并输出其对应的类别。