[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

摘要

本发明属于智能交通标志识别技术领域，涉及一种基于非对称卷积神经网络的交通标志识别方法，用以解决交通标志识别问题中识别速度较慢，且鲁棒性不强的问题。本发明的方法采用两个不同结构的卷积神经网络并行地进行特征映射和提取，最后将特征进行合并，再经过全连接层和最后的分类器，完成整个分类过程。两个不同结构的卷积神经网络分别采用了随机池化操作和maxout单元，确保了图像特征的多样性，提高了识别精度并加快了网络运算速度。本发明对传统卷积神经网络进行了结构上的改进，使用两个不同结构的卷积神经网络代替了传统的卷积神经网络结构，该方法确保了图像特征的多样性，提高了识别精度并加快了网络运算速度。

主权项

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(xt，yt),将xt作为两个独立的卷积神经网络的输入，yt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C1s；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C1m；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)]]>Rj是第j个pooling区域，ai、ak分别为pooling区域中元素i和k的值，pi为pooling区域中元素i对应的概率；根据得到的概率，从al中采样得到pooling结果:sj=alwherel~P(p1,...,p|Rj|)---(2)]]>通过以上操作，得到pooling特征图S2s；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S2m；④重复②、③，依次得到特征图C3s、C3m、S4s和S4m；⑤将S4s和S4m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Ot；(2)反向传播阶段①计算实际输出Ot与相应的理想输出yt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nl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＝nl‑1，nl‑2，nl‑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。