[发明专利]基于F-RCNN的远距离交通标志检测识别方法

说明书

本发明涉及的是基于F‑RCNN的远距离交通标志检测识别方法，它包括：一.对交通标志图像样本集进行预处理；二.对F‑RCNN中的VGG‑16进行预训练；三.将交通标志训练数据集输入到VGG‑16，完成特征提取；四.构建融合特征图；五.F‑RCNN中的区域生成网络RPN根据融合特征图进行区域生成，得到交通标志的候选区域；六.所有候选区域输入到F‑RCNN中的RoI‑Pooling层，生成固定尺寸的特征向量；七.将特征向量送入极限学习机网络，输出交通标志的类别和位置；八.采用贡献自适应损失函数，训练F‑RCNN模型；九.完成实际场景的交通标志检测识别。本发明实现了远距离交通标志检测识别，识别精度高。

一、技术领域：

本发明涉及的是面向无人驾驶和辅助驾驶的智能交通领域，解决道路交通标志的远距离检测与识别方法，具体涉及的是基于F-RCNN的远距离交通标志检测识别方法。

二、背景技术：

在智能交通领域中，交通标志检测和识别是无人驾驶、辅助驾驶等系统的重要研究问题。国内外对此进行了很多研究工作，但仍存在很大不足，无法实际应用到实际中。原因如下：(1)有些检测识别方法，采用公开的德国交通标志数据集GTSRB和GTSDB，交通标志占据图像的比例很大，交通标志检测距离短，很难适应汽车高速行驶情况，并且GTSDB数据集中可检测的标志种类较少，无法满足实际需要；(2)有些检测方法采用自己拍摄的数据集来训练模型，标志变化严重不足、数量过少，相对于德国交通标志数据集GTSRB和GTSDB训练的模型，更加难以适应复杂的交通情况，环境适应能力更差；(3)有些检测方法是基于颜色、形状等简单特征，面对实际交通场景中的标志变形、运动模糊等情况，这些检测方法鲁棒性较差，很难在实际中进行应用；(4)另外，现有发明大多都是近距离检测识别，在进行远距离交通标志检测识别时的精度较低，无法实际应用。

远距离的交通标志检测与识别对于智能交通系统的及时响应和行驶安全性具有重要意义。由于标志距离智能系统拍照距离决定着交通标志在实际场景中的比例，因此检测距离越远，交通标志在场景中的尺寸就越小。在计算机视觉领域，远距离的交通标志检测与识别问题属于小目标检测识别问题，该问题是目前计算机视觉领域的难点问题，现有的方法很难获取较高的检测识别精度。

三、发明内容：

本发明的目的是提供基于F-RCNN的远距离交通标志检测识别方法，它用于解决现有近距离检测识别方法在进行远距离交通标志检测识别时精度低的问题。

本发明解决其技术问题所采用的技术方案是：这种基于F-RCNN的远距离交通标志检测识别方法：

步骤1.对交通标志图像样本集进行预处理；

步骤2.利用图像分类基准数据集对F-RCNN中的特征提取网络VGG-16进行预训练；

利用ImageNet公共图像数据集对特征提取网络VGG-16进行预训练，训练结束后的参数作为网络的初始状态；VGG-16网络包括5个卷积层、5个池化层，并采用ReLU作为激活函数；

步骤3.将交通标志训练数据集输入到预训练的特征提取网络VGG-16，对图像做卷积、池化操作，完成特征提取；

采用mini-batch的方式，将训练用的交通标志图像数据集分割成若干批；

步骤4.利用最大池化、空洞卷积、正则化、聚合操作构建融合特征图；

(1)特征提取网络VGG-16的各个卷积层的输出，从前往后依次记为conv1、conv2、conv3、conv4和conv5；对于每张具有2048×2048分辨率的交通场景，首先转化成2048×2048×3的数值矩阵后输入到VGG-16，其中图像尺寸不断减小，通道数不断增大，各卷积层输出矩阵维数依次为conv1：2048×2048×64；conv2：1024×1024×128；conv3：512×512×256；conv4：256×256×512；conv5：128×128×512；