[发明专利]一种基于多属性联合特征的交通标志识别方法

说明书

本发明涉及一种基于多属性联合特征的交通标志识别方法，首先对图像进行预处理，然后设计卷积神经网络结构，通过该CNN网络自动提取交通标志特征，为了充分利用CNN多层特征的有用信息，提取最后3层特征图，将提取出的每层特征图通过多尺度池化操作形成3个尺度的特征矩阵，将3个尺度的特征矩阵按列展开并级联成列向量；然后将得到的3个列向量级联成一个具有多尺度多属性的联合特征向量；最后将联合特征向量通过ELM分类器进行分类，从而高效地完成交通标志的识别分类。

技术领域

本发明涉及一种基于多属性联合特征的交通标志识别方法，属于智能交通系统中交通标志识别领域。

背景技术

近年来，交通标志识别被广泛运用到驾驶员辅助系统，无人驾驶智能汽车以及公路养护等方面，传统的交通标志识别方法难以满足高准确率和实时性的要求。

基于深度学习的交通标志识别方法近两年成为研究热门，如卷积神经网络(CNN)已成功运用到交通标志识别系统中，但通常情况都是使用CNN的最后一层特征进行分类器训练，而这些特征可能并没有包含足够多的有用信息来实现交通标志的分类。因此如果能够充分利用多层网络提取的特征进行分类器训练，不仅可以提高识别的准确率，还能一定程度上减少训练时间和运算量。

目前大多数的CNN研究都关注于提高分类精度，而忽略了学习速度，交通标志识别恰恰需要提高学习速度来保证实时性需求。同时研究表明，CNN的泛化能力有一定的局限性，而极限学习机(ELM)具有很好的泛化性能。ELM属于单隐层前馈神经网络，在保证学习的精度下，学习速度要比其他传统学习算法更快。

发明内容

本发明专利所要解决的技术问题是：针对背景技术中存在的问题和不足，提供一种基于多属性联合特征的交通标志识别方法，能够准确的进行交通标志识别，提取出有效信息，为无人驾驶智能汽车，驾驶员辅助系统以及公路养护等方面提供技术支持。

本发明提出的技术方案为：一种基于多属性联合特征的交通标志识别方法，包括如下步骤：

步骤1、对交通标志图像进行预处理，将图像数据归一化；

步骤2、设计卷积神经网络结构；

步骤3、训练步骤2的卷积神经网络，并用该网络提取预处理后的交通标志图像特征；

步骤4、提取卷积神经网络后三层的特征图，将提取出的后三层特征图通过多尺度池化操作形成三个尺度的特征矩阵，将三个尺度的特征矩阵按列展开并级联成列向量，然后将得到的三个列向量级联成一个具有多尺度多属性的联合特征向量；

步骤5、设计ELM分类器模型；

步骤6、将联合特征向量通过ELM分类器进行分类。

对上述技术方案的进一步设计为：步骤2中卷积神经网络结构由8层组成，包括1个输入层，1个全连接层，3个卷积层和3个池化层，所述卷积层和池化层交叉排列。

步骤3中训练卷积神经网络时的迭代次数设定为30。

所述ELM分类器模型为：