CN103235937A - 一种基于脉冲耦合神经网络的交通标志识别方法 - Google Patents
一种基于脉冲耦合神经网络的交通标志识别方法 Download PDFInfo
- Publication number
- CN103235937A CN103235937A CN2013101514794A CN201310151479A CN103235937A CN 103235937 A CN103235937 A CN 103235937A CN 2013101514794 A CN2013101514794 A CN 2013101514794A CN 201310151479 A CN201310151479 A CN 201310151479A CN 103235937 A CN103235937 A CN 103235937A
- Authority
- CN
- China
- Prior art keywords
- traffic sign
- pulse
- max
- neural network
- coupled neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于脉冲耦合神经网络的交通标志识别方法,该方法可应用于智能交通领域,是一种辅助驾驶的手段。本方法充分利用交通标志的颜色信息,在对交通标志图像进行处理之前,先把图像从转换到HSI色彩空间,在保留交通标志颜色信息的基础上,运用脉冲耦合神经网络技术提取交通标志图像多通道信息,生成多通道特征序列,然后把多通道特征序列组合在一起形成交通标志的整体特征序列,用该序列在交通标志序列模板库中进行匹配,整体相关性高的模板即被认为是正确的识别结果。本发明对比传统的脉冲耦合神经网络技术基于灰度图像的处理方法,保留了在交通标志中十分重要的颜色信息,大大的提高了识别率。
Description
技术领域
本发明涉及一种基于脉冲耦合神经网络的交通标志识别方法,属于智能交通领域,是一种能够辅助驾驶的手段。
背景技术
(1)脉冲耦合神经网络特征提取技术:
人工神经网络是近几十年新兴的一门学科。它涉及到神经生理学、电子学、计算机科学、数学等多门学科,已经被广泛的应用于人工智能、信息处理、模式识别、自动控制等诸多领域。脉冲耦合神经网络(Pulse-Coupled Neural Network,简称PCNN)是基于对猫的视觉皮层神经元脉冲串同步振荡现象的研究发展而来的神经网络模型,被称为第三代人工神经网络,与传统的人工神经网络模型相比较,因其具有动态神经元、时空总和特性、波的自动传播、同步脉冲发放等特性而备受关注。在PCNN中,具有相似输入的神经元同时发放脉冲,能够弥补输入数据的空间不连贯和幅度上的微小变化,从而较完整的保留图像的区域信息,目前它已被成功的用于图像平滑、图像分割、目标识别、特征提取等方面。这就使得PCNN具有较高的研究价值和更为广阔的应用前景。近年来,PCNN的工作原理和其在图像处理、雷达声纳、电子行业、医药卫生、语音信号处理等领域的应用在国内外受到广泛重视。
PCNN模型是由若干个PCNN神经元相互连接所构成的反馈型网络,图像的每一个像素点可以看作是一个神经元,每一个神经元由三个部分组成:输入部分、内部调制器和脉冲产生器。
神经元的每一次触发称之为点火,PCNN模型通过多次迭代点火,生成图像的点火时间特征。每一次迭代点火过程中,点火的像素点会激发周围相邻的像素点进行点火,从而产生脉冲波向外传播。通过捕捉图像每一次迭代时点火像素点的信息,可以生成图像的点火时间序列,利用每幅图像独有的点火时间序列特征进行图像识别是PCNN广泛的应用方法。
(2)RGB到HSI色彩空间转换技术:
原始的彩色交通标志图像是基于RGB颜色空间的,在图像处理过程中,为了减少对R、G、B分量处理产生的颜色色差、失真等问题,本方法提出在预处理过程中,把RGB图像转换到HSI色彩空间进行处理,使得在保持色彩无失真的情况下完成图像处理过程。
HSI模型是美国色彩学家孟塞尔(H.A.Munseu)于1915年提出的,它反映了人的视觉***感知彩色的方式,以色调H、饱和度S和强度I三种基本特征量来感知颜色。HSI模型的建立基于两个重要的事实:①I分量与图像的彩色信息无关;②H和S分量与人感受颜色的方式是紧密相联的。这些特点使得HSI模型非常适合彩色特性检测与分析。
(3)智能交通技术:
智能交通***(ITS)通过应用计算机和信息技术,将人、车、路等交通因素加以统一考虑,形成整体的交通管理与服务。智能化交通***被视为是解决交通事故数量增加、道路交通拥挤及环境等社会问题的有效途径,有望对21世纪的公路交通事业产生积极影响。
发明内容
本发明的目的就是克服现有技术的不足,提供一种硬件实现简单,识别率高的基于PCNN的交通标志识别方法。传统的PCNN图像识别方法主要针对灰度图像进行单通道特征提取,忽略掉了图像的颜色信息,而交通标志中的颜色信息十分重要,本发明提出的基于HSI色彩空间的多通道脉冲耦合神经网络交通标志识别方法,能很好的解决图像处理过程中颜色信息丢失的问题,大大的提高了交通标志的识别率。
本发明采用的技术方案是:一种基于脉冲耦合神经网络的交通标志识别方法,其特征在于,包括以下步骤:
步骤1:获取交通标志原始彩色图像;
步骤2:将所述的交通标志原始彩色图像从RGB色彩空间转换到HSI色彩空间;
步骤3:分别提取所述的交通标志原始彩色图像的色调H、饱和度S、亮度I三通道数据;
步骤4:运用脉冲耦合神经网络技术对所述的色调H、饱和度S、亮度I三通道数据进行迭代点火处理,生成三通道脉冲点火比序列;
步骤5:将所述的色调H、饱和度S、亮度I三通道上的三通道脉冲点火比序列组合在一起,形成所述的交通标志原始彩色图像的整体脉冲点火比特征序列;
步骤6:将所述的整体脉冲点火比序列与模板库中的特征序列进行相关度匹配,识别出正确的道路交通标志。
作为优选,所述的RGB色彩空间转换到HSI色彩空间,转换公式如下:
H=H十2π,ifH<0
其中,H、S、I是HSI色彩空间的色调、饱和度与亮度三个分量的值;R、G、B是RGB色彩空间红、绿、蓝三个分量的值,其中R、G、B的值被归一化到0~1之间;Max=max(R,c,B).Min=min(R,c,B),即Max与Min分别是取最大值与最小值。
作为优选,所述的PCNN模型是由若干个PCNN神经元相互连接所构成的反馈型网络,每一个神经元由输入部分、内部调制器和脉冲产生器组成。
作为优选,所述的神经元每一次迭代点火过程中,点火的像素点会激发周围相邻的像素点进行点火,从而产生脉冲波向外传播,通过捕捉所述的交通标志原始彩色图像每一次迭代时点火像素点的信息,即可生成所述的三通道脉冲点火比序列。
与传统的神经网络图像识别方法相比,基于PCNN的图像识别方法具有高效、快速、识别率高、硬件实现简单等特点。
与现有的基于PCNN的图像识别方法对比,本发明提出的HSI色彩空间的多通道脉冲耦合神经网络交通标志识别方法具有以下优点:
目前我国主要的交通标志有红、黄、蓝、黑、白五种颜色。传统的PCNN交通标志识别方法把交通标志图像转化为灰度图像进行特征提取,丢失了交通标志重要的颜色信息,很容易造成交通标志的误识别。基于HSI色彩空间的多通道脉冲耦合神经网络交通标志识别方法,在保留交通标志颜色信息的基础上进行PCNN图像特征提取,大大的提高了交通标志的识别率,对于正确的辅助驾驶起到了至关重要的作用。
附图说明
图1:为本发明基于HSI色彩空间的多通道脉冲耦合神经网络交通标志识别方法的技术流程。
图2:为本发明的RGB色彩空间模型与HSI色彩空间模型示意图。
图3:为本发明的脉冲耦合神经网络神经元模型示意图。
具体实施方式
下面结合附图和具体实施方式进一步来描述本发明提出的一种基于多通道脉冲耦合神经网络的交通标志识别方法。
请见图1,本发明所采用的技术方案是:一种基于脉冲耦合神经网络的交通标志识别方法,包括以下步骤:
步骤1:获取交通标志原始彩色图像。
步骤2:将所述的交通标志原始彩色图像从RGB色彩空间转换到HSI色彩空间;
请见图2,为本发明的RGB色彩空间模型与HSI色彩空间模型示意图;RGB色彩空间向HSI色彩空间的转换是由一个基于笛卡尔直角坐标系的单位立方体向基于圆柱极坐标的双锥体的转换,基本要求是将RGB色彩空间中的亮度因素分离,将色度分解为色调和饱和度,并用角向量表示色调,转换公式如下:
H=H十2π,ifH<0
其中,H、S、I是HSI色彩空间的色调、饱和度与亮度三个分量的值;R、G、B是RGB色彩空间红、绿、蓝三个分量的值,其中R、G、B的值被归一化到0~1之间;Max=max(R,c,B).Min=min(R,c,B)即Max与Min分别是取最大值与最小值。
步骤3:分别提取所述的交通标志原始彩色图像的色调H、饱和度S、亮度I三通道数据。
步骤4:运用脉冲耦合神经网络技术对所述的色调H、饱和度S、亮度I三通道数据进行迭代点火处理,生成三通道脉冲点火比序列;
请见图3,为本发明的脉冲耦合神经网络神经元模型示意图;所述的PCNN模型是由若干个PCNN神经元相互连接所构成的反馈型网络,每一个神经元由输入部分、内部调制器和脉冲产生器组成。所述的交通标志原始彩色图像的每一个像素点可以看作是一个神经元,本实施例以第(i,j)个神经元为例来说明脉冲耦合神经网络中神经元的相互作用。Iij代表(i,j)神经元的外部刺激输入,Yij代表神经元(i,j)的输出,Uij代表神经元(i,j)的内部活动项。输入部分有两大部分组成,分别为反馈通道输入Fij和线性链接输入Lij。Tij为动态门限,β是神经元突触之间的连接强度系数。脉冲产生部分由阈值调节器、比较器、脉冲发生器组成.当内部活动项Uij大于动态门限Tij时,PCNN神经元产生输出Yij。当神经元有脉冲输出时,激发动态门限Tij急剧增大,门限的增大保证了该神经元不会立刻产生第二次脉冲输出,不产生脉冲输出又导致门限开始按照指数规律衰减,当门限值降到低于内部活动项Uij时,又开始有脉冲输出,进而门限值周而复始的进行上述的变化。脉冲的输出又作为其它神经元的输入影响着其它神经元的输出。当输出值Yij(n取1,称神经元点火;当Yij(n)取0,称神经元不点火;所述的神经元每一次迭代点火过程中,点火的像素点会激发周围相邻的像素点进行点火,从而产生脉冲波向外传播,通过捕捉所述的交通标志原始彩色图像每一次迭代时点火像素点的信息,即可生成所述的三通道脉冲点火比序列;本方法提取每次迭代过程中,点火的像素点与总的像素点的比值,即迭代点火比序列作为交通标志的特征序列。
步骤5:将所述的色调H、饱和度S、亮度I三通道上的三通道脉冲点火比序列组合在一起,形成所述的交通标志原始彩色图像的整体脉冲点火比特征序列;
步骤6:将所述的整体脉冲点火比序列与模板库中的特征序列进行相关度匹配,识别出正确的道路交通标志。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (4)
1.一种基于脉冲耦合神经网络的交通标志识别方法,其特征在于,包括以下步骤:
步骤1:获取交通标志原始彩色图像;
步骤2:将所述的交通标志原始彩色图像从RGB色彩空间转换到HSI色彩空间;
步骤3:分别提取所述的交通标志原始彩色图像的色调H、饱和度S、亮度I三通道数据;
步骤4:运用脉冲耦合神经网络技术对所述的色调H、饱和度S、亮度I三通道数据进行迭代点火处理,生成三通道脉冲点火比序列;
步骤5:将所述的色调H、饱和度S、亮度I三通道上的三通道脉冲点火比序列组合在一起,
形成所述的交通标志原始彩色图像的整体脉冲点火比特征序列;
步骤6:将所述的整体脉冲点火比序列与模板库中的特征序列进行相关度匹配,识别出正确的道路交通标志。
2.根据权利要求1所述的基于脉冲耦合神经网络的交通标志识别方法,其特征在于:所述的RGB色彩空间转换到HSI色彩空间,转换公式如下:
H=H十2π,ifH<0
其中,H、S、I是HSI色彩空间的色调、饱和度与亮度三个分量的值;R、G、B是RGB色彩空间红、绿、蓝三个分量的值,其中R、G、B的值被归一化到0~1之间;Max=max(R,G,BD,Min=min(R,G,B),即Max与Min分别是取最大值与最小值。
3.根据权利要求1所述的基于脉冲耦合神经网络的交通标志识别方法,其特征在于:所述的脉冲耦合神经网络模型是由若干个脉冲耦合神经网络神经元相互连接所构成的反馈型网络,每一个神经元由输入部分、内部调制器和脉冲产生器组成。
4.根据权利要求3所述的基于脉冲耦合神经网络的交通标志识别方法,其特征在于:所述的神经元每一次迭代点火过程中,点火的像素点会激发周围相邻的像素点进行点火,从而产生脉冲波向外传播,通过捕捉所述的交通标志原始彩色图像每一次迭代时点火像素点的信息,即可生成所述的三通道脉冲点火比序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101514794A CN103235937A (zh) | 2013-04-27 | 2013-04-27 | 一种基于脉冲耦合神经网络的交通标志识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101514794A CN103235937A (zh) | 2013-04-27 | 2013-04-27 | 一种基于脉冲耦合神经网络的交通标志识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103235937A true CN103235937A (zh) | 2013-08-07 |
Family
ID=48883976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013101514794A Pending CN103235937A (zh) | 2013-04-27 | 2013-04-27 | 一种基于脉冲耦合神经网络的交通标志识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103235937A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274425A (zh) * | 2017-05-27 | 2017-10-20 | 三峡大学 | 一种基于脉冲耦合神经网络的彩色图像分割方法及装置 |
CN107346413A (zh) * | 2017-05-16 | 2017-11-14 | 北京建筑大学 | 一种街景影像中的交通标志识别方法和*** |
CN107909008A (zh) * | 2017-10-29 | 2018-04-13 | 北京工业大学 | 基于多通道卷积神经网络和粒子滤波的视频目标跟踪方法 |
CN109102000A (zh) * | 2018-09-05 | 2018-12-28 | 杭州电子科技大学 | 一种基于分层特征提取与多层脉冲神经网络的图像识别方法 |
CN110458136A (zh) * | 2019-08-19 | 2019-11-15 | 广东工业大学 | 一种交通标志识别方法、装置和设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5664065A (en) * | 1996-06-17 | 1997-09-02 | The United States Of America As Represented By The Secretary Of The Army | Pulse-coupled automatic object recognition system dedicatory clause |
CN1662071A (zh) * | 2004-02-24 | 2005-08-31 | 豪威科技有限公司 | 色空间的图像数据处理方法 |
-
2013
- 2013-04-27 CN CN2013101514794A patent/CN103235937A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5664065A (en) * | 1996-06-17 | 1997-09-02 | The United States Of America As Represented By The Secretary Of The Army | Pulse-coupled automatic object recognition system dedicatory clause |
CN1662071A (zh) * | 2004-02-24 | 2005-08-31 | 豪威科技有限公司 | 色空间的图像数据处理方法 |
Non-Patent Citations (2)
Title |
---|
唐宁: "PCNN的优化及在医学图像分割中的应用研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 4, 15 April 2013 (2013-04-15), pages 12 - 27 * |
王蒙军 等: "用简化脉冲耦合神经网络实现交通标志图像的类Euclidean距离变换类内特征提取", 《光学精密工程》, vol. 20, no. 12, 15 December 2012 (2012-12-15), pages 2751 - 2758 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107346413A (zh) * | 2017-05-16 | 2017-11-14 | 北京建筑大学 | 一种街景影像中的交通标志识别方法和*** |
CN107274425A (zh) * | 2017-05-27 | 2017-10-20 | 三峡大学 | 一种基于脉冲耦合神经网络的彩色图像分割方法及装置 |
CN107274425B (zh) * | 2017-05-27 | 2019-08-16 | 三峡大学 | 一种基于脉冲耦合神经网络的彩色图像分割方法及装置 |
CN107909008A (zh) * | 2017-10-29 | 2018-04-13 | 北京工业大学 | 基于多通道卷积神经网络和粒子滤波的视频目标跟踪方法 |
CN109102000A (zh) * | 2018-09-05 | 2018-12-28 | 杭州电子科技大学 | 一种基于分层特征提取与多层脉冲神经网络的图像识别方法 |
CN109102000B (zh) * | 2018-09-05 | 2021-09-07 | 杭州电子科技大学 | 一种基于分层特征提取与多层脉冲神经网络的图像识别方法 |
CN110458136A (zh) * | 2019-08-19 | 2019-11-15 | 广东工业大学 | 一种交通标志识别方法、装置和设备 |
CN110458136B (zh) * | 2019-08-19 | 2022-07-12 | 广东工业大学 | 一种交通标志识别方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709902B (zh) | 基于自注意力机制的红外和可见光图像融合方法 | |
CN105354530B (zh) | 一种车身颜色识别方法及装置 | |
CN103235937A (zh) | 一种基于脉冲耦合神经网络的交通标志识别方法 | |
CN101853492B (zh) | 一种夜视微光图像与红外图像融合方法 | |
CN107154048A (zh) | 一种脉冲耦合神经网络模型的遥感图像分割方法及装置 | |
CN103177458B (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
CN104408424B (zh) | 一种基于图像处理的多信号灯识别方法 | |
CN104966085A (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN102903081A (zh) | 基于rgb彩色模型的低光照图像增强方法 | |
CN105719247A (zh) | 基于特征学习的单幅图像去雾方法 | |
CN106407990A (zh) | 基于事件驱动的仿生目标识别*** | |
CN103729863B (zh) | 基于自主学习的交通信号灯全自动定位识别的方法 | |
CN110135558A (zh) | 基于可变强度组合测试的深度神经网络测试充分性方法 | |
CN103345624A (zh) | 一种多通道脉冲耦合神经网络的加权特征人脸识别方法 | |
CN109740553A (zh) | 一种基于识别的图像语义分割数据筛选方法及*** | |
CN102682297B (zh) | 模拟视觉细胞感受野特性的pcnn人脸图像分割方法 | |
CN105426847A (zh) | 低质量自然光虹膜图像非线性增强方法 | |
CN116912680A (zh) | Sar舰船识别跨模态域迁移学习、识别方法及*** | |
CN103679670A (zh) | 一种基于改进模型的pcnn多源图像融合方法 | |
CN103914824B (zh) | 医学图像多目标区域勾画及任意目标区域面积计算方法 | |
CN103985115A (zh) | 一种仿视觉感光层功能的图像多强度边缘检测方法 | |
CN102262728A (zh) | 一种道路交通标志的识别方法 | |
CN105844640A (zh) | 基于梯度的彩色图像质量评价方法 | |
CN106373135A (zh) | 一种基于颜色的害虫识别计数方法 | |
CN103136729B (zh) | 一种基于超复数描述的模糊矢量形态学滤波方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130807 |