CN109492661A - 基于wwcnn模型和tvpde算法的交通标志识别方法 - Google Patents
基于wwcnn模型和tvpde算法的交通标志识别方法 Download PDFInfo
- Publication number
- CN109492661A CN109492661A CN201811130840.4A CN201811130840A CN109492661A CN 109492661 A CN109492661 A CN 109492661A CN 201811130840 A CN201811130840 A CN 201811130840A CN 109492661 A CN109492661 A CN 109492661A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolutional layer
- con4
- con3
- model
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于WWCNN模型和TVPDE算法的交通标志识别方法,其特征是,包括如下步骤:1)GTSRB数据集预处理;2)交通标志细节增强;3)构建WWCNN模型;4)训练WWCNN模型;5)识别。这种方法使用方便,能提取交通标志更多特征,能提高交通标志识别的准确率。
Description
技术领域
本发明涉及深度学习和图像领域,具体是基于WWCNN模型和TVPDE算法的交通标志识别方法。
背景技术
随着人民生活水平的不断提高,汽车占有量也越来越多,汽车能够给人们带来方便,同时也给人们带来严重的问题。例如,部分驾驶员不遵守交通规则,不按交通标志指示行驶,造成严重的交通事故,事故原因基本都是驾驶员交通意识低,忽视交通标志提示。然而交通标志识别可以提示驾驶员标志信息,从而减少因疏忽交通标志所发生的交通事故。因此,交通标志识别研究具有重要的现实意义。
目前,卷积神经网络(CNN)是特征提取和识别的热门方法,CNN比人工提取特征,能够根据具体的识别对象自动学习到有针对性的图像特征。相关文献已经提出CNN结合图像处理的交通标志识别算法,获得了良好的识别准确率;基于CNN的交通标志识别方法,因只输出CNN模型最后一层的特征,故识别准确率不高;深度网络交通标志的识别,并在当年的竞赛中获得99.46%的高识别率,但用梯度下降方法调整所有参数,训练时间过长,无法满足实际应用。
发明内容
本发明的目的是针对现有技术的不足,而提供基于WWCNN模型和TVPDE算法的交通标志识别方法。这种方法使用方便,能提取交通标志更多特征,能提高交通标志识别的准确率。
实现本发明目的的技术方案是:
基于WWCNN模型和TVPDE算法的交通标志识别方法,与现有技术不同的是,包括如下步骤:
1)GTSRB数据集预处理:采用数据增强技术对GTSRB数据集中的交通标志进行数量扩增,所述数据增强技术为水平翻转、垂直翻转、旋转和调整亮度,GTSRB数据集中,交通标志的数量又相对较少,要通过人工收集交通标志来产生大量的训练交通标志是很难完成的,相反,数据增强技术能从GTSRB数据集中产生大量的交通标志,数据增强技术避免了因训练图像少而发生网络过拟合;
2)交通标志细节增强:采用全变差偏微分即TVPDE算法对步骤1)处理后的交通标志细节增强,设Ed是数据代价函数,Eg是梯度代价函数,则TVPDE表示为:
Ed=λd(f-v)2 (2),
Eg=λg[(fx-Gx)2+(fy-Gy)2]2 (3),
其中,λd、λg是控制参数,f是待求图像梯度场,fx是f的x方向梯度场,fy是y方向梯度场,v是原图梯度场,Gx、Gy是增强后的梯度场,E是全变差模型值,TVPDE算法就是寻找函数f(p)满足公式(2)和公式(3)的前提下,使公式(1)中的E取得最小值;
3)构建WWCNN模型:在改进卷积层、激活函数、池化层种类参数基础上,加入多层聚合技术,构建新的WWCNN模型,所述WWCNN模型包括串联的卷积池化层Con1、卷积池化层Con2、聚合层Con3、聚合层Con4、全连接层Fc5和输出层Fc6,其中,聚合层Con3设有卷积层Con3-1、卷积层Con3-2、卷积层Con3-3和卷积层Con3-4;聚合层Con4设有卷积层Con4-1、卷积层Con4-2、卷积层Con4-3和卷积层Con4-4,卷积层Con3-1、卷积层Con3-2、卷积层Con3-3和卷积层Con3-4对卷积池化层Con2做卷积后,再聚合得到聚合层Con3,卷积层Con4-1、卷积层Con4-2、卷积层Con4-3和卷积层Con4-4对聚合层Con3做卷积后再聚合得到聚合层Con4,;
WWCNN模型是建立在CNN基本结构的基础上的,CNN基本结构是由卷积层、池化层、全连接层和输出层组成的多层网络结构,卷积层是网络结构的核心部分,卷积运算就是特征提取的过程,卷积层通过卷积核对前层特征图像进行卷积操作,然后将其通过激活函数,得到该层输出特征,卷积层输出特征表示为:
k是核权值,b是偏置,f(·)为激活函数,“·”是卷积运算;
池化层通常在卷积层后,能对特征提取保持某种不变性的作用,当图像有一定的旋转、平移、缩放等情况时,池化运算能够使特征对图像一定程度崎变保持不变性,增强恃征的鲁棒性,池化层还能减少训练参数的数量,减小过拟合现象,减少噪声的传递,池化层输出特征表示为:
β是该层权重系数,down()是池化函数,
全连接层也可以被认为是特殊的卷积层,其认为卷积核中仅有一个元素,该层是将前层二维的特征转化成一维特征,然后通过分类器对特征进行分类,全连接层的输出是将输入特征加权后加上偏置,在通过激活函数运算可得,全连接层输出特征表示为
xi=f(ωixi-1+bi) (6)
式中,ω是该层权重系数;
4)训练WWCNN模型:训练步骤3)构建的WWCNN模型,即设置模型优化器为Adam、学习率为0.001、批处理大小为256、dropout值为0.5、网络中的权值和偏差为随机初始化,交通标志的大小固定为32×32,采用谷歌开发的机器学习***TensorFlow来训练WWCNN模型;
5)识别:依据步骤4)的已经训练好模型来识别交通标志,以GTSRB测试集为基准,测试准确率达到97%以上为识别成功。
这种方法使用方便,能提取交通标志更多特征,能提高了交通标志识别的准确率。
附图说明
图1为实施例的方法流程示意图;
图2为实施例中WWCNN模型的结构示意图。
具体实施方式
下面结合和附图和实施例对本发明的内容作进一步的阐述,但不是对本发明的限定。
实施例:
参照图1,基于WWCNN模型和TVPDE算法的交通标志识别方法,包括如下步骤:
1)GTSRB数据集预处理:采用数据增强技术对GTSRB数据集中的交通标志进行数量扩增,所述数据增强技术为水平翻转、垂直翻转、旋转和调整亮度,GTSRB数据集中,交通标志的数量又相对较少,要通过人工收集交通标志来产生大量的训练交通标志是很难完成的,相反,数据增强技术能从GTSRB数据集中产生大量的交通标志,数据增强技术避免了因训练图像少而发生网络过拟合;
2)交通标志细节增强:采用全变差偏微分即TVPDE算法对步骤1)处理后的交通标志细节增强,设Ed是数据代价函数,Eg是梯度代价函数,则TVPDE表示为:
Ed=λd(f-v)2 (2),
Eg=λg[(fx-Gx)2+(fy-Gy)2]2 (3),
其中,λd、λg是控制参数,f是待求图像梯度场,fx是f的x方向梯度场,fy是y方向梯度场,v是原图梯度场,Gx、Gy是增强后的梯度场,E是全变差模型值,TVPDE算法就是寻找函数f(p)满足公式(2)和公式(3)的前提下,使公式(1)中的E取得最小值;
3)构建WWCNN模型:在改进卷积层、激活函数、池化层种类参数基础上,加入多层聚合技术,构建新的WWCNN模型,所述WWCNN模型包括串联的卷积池化层Con1、卷积池化层Con2、聚合层Con3、聚合层Con4、全连接层Fc5和输出层Fc6,其中,聚合层Con3设有卷积层Con3-1、卷积层Con3-2、卷积层Con3-3和卷积层Con3-4;聚合层Con4设有卷积层Con4-1、卷积层Con4-2、卷积层Con4-3和卷积层Con4-4,卷积层Con3-1、卷积层Con3-2、卷积层Con3-3和卷积层Con3-4对卷积池化层Con2做卷积后,再聚合得到聚合层Con3,卷积层Con4-1、卷积层Con4-2、卷积层Con4-3和卷积层Con4-4对聚合层Con3做卷积后再聚合得到聚合层Con4,如图2所示;
WWCNN模型是建立在CNN基本结构的基础上的,CNN基本结构是由卷积层、池化层、全连接层和输出层组成的多层网络结构,卷积层是网络结构的核心部分,卷积运算就是特征提取的过程,卷积层通过卷积核对前层特征图像进行卷积操作,然后将其通过激活函数,得到该层输出特征,卷积层输出特征表示为:
k是核权值,b是偏置,f(·)为激活函数,“·”是卷积运算;
池化层通常在卷积层后,能对特征提取保持某种不变性的作用,当图像有一定的旋转、平移、缩放等情况时,池化运算能够使特征对图像一定程度崎变保持不变性,增强恃征的鲁棒性,池化层还能减少训练参数的数量,减小过拟合现象,减少噪声的传递,池化层输出特征表示为:
β是该层权重系数,down()是池化函数,
全连接层也可以被认为是特殊的卷积层,其认为卷积核中仅有一个元素,该层是将前层二维的特征转化成一维特征,然后通过分类器对特征进行分类,全连接层的输出是将输入特征加权后加上偏置,在通过激活函数运算可得,全连接层输出特征表示为
xi=f(ωixi-1+bi) (6)
式中,ω是该层权重系数;
4)训练WWCNN模型:训练步骤3)构建的WWCNN模型,即设置模型优化器为Adam、学习率为0.001、批处理大小为256、dropout值为0.5、网络中的权值和偏差为随机初始化,交通标志的大小固定为32×32,采用谷歌开发的机器学习***TensorFlow来训练WWCNN模型;
5)识别:依据步骤4)的已经训练好模型来识别交通标志,以GTSRB测试集为基准,测试准确率达到97%以上为识别成功。
Claims (1)
1.基于WWCNN模型和TVPDE算法的交通标志识别方法,其特征是,包括如下步骤:
1)GTSRB数据集预处理:采用数据增强技术对GTSRB数据集中的交通标志进行数量扩增,所述数据增强技术为水平翻转、垂直翻转、旋转和调整亮度;
2)交通标志细节增强:采用全变差偏微分即TVPDE算法对步骤1)处理后的交通标志细节增强,设Ed是数据代价函数,Eg是梯度代价函数,则TVPDE表示为:
Ed=λd(f-v)2 (2),
Eg=λg[(fx-Gx)2+(fy-Gy)2]2 (3),
其中,λd、λg是控制参数,f是待求图像梯度场,fx是f的x方向梯度场,fy是y方向梯度场,v是原图梯度场,Gx、Gy是增强后的梯度场,E是全变差模型值,TVPDE算法就是寻找函数f(p)满足公式(2)和公式(3)的前提下,使公式(1)中的E取得最小值;
3)构建WWCNN模型:所述WWCNN模型包括串联的卷积池化层Con1、卷积池化层Con2、聚合层Con3、聚合层Con4、全连接层Fc5和输出层Fc6,其中,聚合层Con3设有卷积层Con3-1、卷积层Con3-2、卷积层Con3-3和卷积层Con3-4;聚合层Con4设有卷积层Con4-1、卷积层Con4-2、卷积层Con4-3和卷积层Con4-4,卷积层Con3-1、卷积层Con3-2、卷积层Con3-3和卷积层Con3-4对卷积池化层Con2做卷积后,再聚合得到聚合层Con3,卷积层Con4-1、卷积层Con4-2、卷积层Con4-3和卷积层Con4-4对聚合层Con3做卷积后再聚合得到聚合层Con4,;
4)训练WWCNN模型:训练步骤3)构建的WWCNN模型,即设置模型优化器为Adam、学习率为0.001、批处理大小为256、dropout值为0.5、网络中的权值和偏差为随机初始化,交通标志的大小固定为32×32,采用谷歌开发的机器学习***TensorFlow来训练WWCNN模型;
5)识别:依据步骤4)的已经训练好模型来识别交通标志,以GTSRB测试集为基准,测试准确率达到97%以上为识别成功。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811130840.4A CN109492661B (zh) | 2018-09-27 | 2018-09-27 | 基于wwcnn模型和tvpde算法的交通标志识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811130840.4A CN109492661B (zh) | 2018-09-27 | 2018-09-27 | 基于wwcnn模型和tvpde算法的交通标志识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109492661A true CN109492661A (zh) | 2019-03-19 |
CN109492661B CN109492661B (zh) | 2021-08-13 |
Family
ID=65690110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811130840.4A Active CN109492661B (zh) | 2018-09-27 | 2018-09-27 | 基于wwcnn模型和tvpde算法的交通标志识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492661B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372571A (zh) * | 2016-08-18 | 2017-02-01 | 宁波傲视智绘光电科技有限公司 | 路面交通标志检测与识别方法 |
US20170140253A1 (en) * | 2015-11-12 | 2017-05-18 | Xerox Corporation | Multi-layer fusion in a convolutional neural network for image classification |
CN107301383A (zh) * | 2017-06-07 | 2017-10-27 | 华南理工大学 | 一种基于Fast R‑CNN的路面交通标志识别方法 |
CN107832835A (zh) * | 2017-11-14 | 2018-03-23 | 贵阳海信网络科技有限公司 | 一种卷积神经网络的轻量化方法及装置 |
CN108154102A (zh) * | 2017-12-21 | 2018-06-12 | 安徽师范大学 | 一种道路交通标志识别方法 |
CN108416270A (zh) * | 2018-02-06 | 2018-08-17 | 南京信息工程大学 | 一种基于多属性联合特征的交通标志识别方法 |
CN108520212A (zh) * | 2018-03-27 | 2018-09-11 | 东华大学 | 基于改进的卷积神经网络的交通标志检测方法 |
-
2018
- 2018-09-27 CN CN201811130840.4A patent/CN109492661B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170140253A1 (en) * | 2015-11-12 | 2017-05-18 | Xerox Corporation | Multi-layer fusion in a convolutional neural network for image classification |
CN106372571A (zh) * | 2016-08-18 | 2017-02-01 | 宁波傲视智绘光电科技有限公司 | 路面交通标志检测与识别方法 |
CN107301383A (zh) * | 2017-06-07 | 2017-10-27 | 华南理工大学 | 一种基于Fast R‑CNN的路面交通标志识别方法 |
CN107832835A (zh) * | 2017-11-14 | 2018-03-23 | 贵阳海信网络科技有限公司 | 一种卷积神经网络的轻量化方法及装置 |
CN108154102A (zh) * | 2017-12-21 | 2018-06-12 | 安徽师范大学 | 一种道路交通标志识别方法 |
CN108416270A (zh) * | 2018-02-06 | 2018-08-17 | 南京信息工程大学 | 一种基于多属性联合特征的交通标志识别方法 |
CN108520212A (zh) * | 2018-03-27 | 2018-09-11 | 东华大学 | 基于改进的卷积神经网络的交通标志检测方法 |
Non-Patent Citations (1)
Title |
---|
杨远飞 等: "基于轻量型卷积神经网络的图像识别", 《电视技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109492661B (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104899571B (zh) | 一种用于复杂文字识别的随机样本产生方法 | |
CN106447658B (zh) | 基于全局和局部卷积网络的显著性目标检测方法 | |
CN105956560B (zh) | 一种基于池化多尺度深度卷积特征的车型识别方法 | |
CN111858989B (zh) | 一种基于注意力机制的脉冲卷积神经网络的图像分类方法 | |
CN106446895A (zh) | 一种基于深度卷积神经网络的车牌识别方法 | |
CN109508379A (zh) | 一种基于加权词向量表示和组合相似度的短文本聚类方法 | |
CN107832835A (zh) | 一种卷积神经网络的轻量化方法及装置 | |
CN109255340A (zh) | 一种融合多种改进vgg网络的人脸识别方法 | |
CN108520212A (zh) | 基于改进的卷积神经网络的交通标志检测方法 | |
CN109165623A (zh) | 基于深度学习的水稻病斑检测方法及*** | |
CN105302884B (zh) | 基于深度学习的网页模式识别方法及视觉结构学习方法 | |
CN102779510A (zh) | 基于特征空间自适应投影的语音情感识别方法 | |
CN108491859A (zh) | 基于自动编码机的驾驶行为异质性特征的识别方法 | |
CN108122003A (zh) | 一种基于深度神经网络的弱小目标识别方法 | |
CN108985252A (zh) | 改进的脉冲深度神经网络的图像分类方法 | |
CN108960301A (zh) | 一种基于卷积神经网络的古彝文识别方法 | |
CN108829810A (zh) | 面向健康舆情的文本分类方法 | |
CN110852358A (zh) | 一种基于深度学习的车辆类型判别方法 | |
CN107016371A (zh) | 基于改进的深度置信网络的无人机着陆地貌分类方法 | |
CN116699096B (zh) | 一种基于深度学习的水质检测方法和*** | |
CN105550278A (zh) | 基于深度学习的网页区域识别算法 | |
CN109859222A (zh) | 基于级联神经网络的边缘提取方法及*** | |
CN110516615A (zh) | 基于卷积神经网络的人车分流控制方法 | |
CN108961270B (zh) | 一种基于语义分割的桥梁裂缝图像分割模型 | |
CN110289987A (zh) | 基于表征学习的多智能体***网络抗攻击能力评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |