本发明涉及一种应用于交通标志识别的深度卷积神经网络方法，更具体的说，本发明涉及一种能够用于复杂环境下的交通标志识别的深度卷积神经网络方法。

背景技术：

深度学习是目前人工智能、机器学习领域异常火热的研究方向，已经在语音识别、图像识别、自然语言处理等诸多领域取得了突破性进展，对学术界和工业界产生了深远的影响。深度学习也开始逐步应用在交通标志识别系统中解决交通堵塞、交通事故频繁发生等问题。机器视觉方法在交通标志识别系统中已经取得了不错的成果。目前出现的针对交通标志识别的方法研究，主要有以下几种机器视觉方法：模板匹配法、近邻法、人工神经网络算法、SVM等。模板匹配法直接将分类的图像与设定好的模板图像进行匹配比对，在环境多变的交通标志图片中并不能实现很好的分类效果。Escalera等人曾经提出直接基于颜色阈值的分割算法，在RGB颜色空间设定阈值进行分割得到感兴趣区域，然后利用交通标志的形状特征等信息来进行二次检测，但是该方法受光照、样本等影响较大。谷明琴等人利用欧式距离和支持向量机分类器完成交通标志分类识别，并获得较高识别率，但由于交通标志种类多且部分交通标志存在相似性，交通标志所处环境复杂，光照变化多样，汽车驾驶过程出现的颠簸使图像出现畸变、模糊现象等问题，无法成熟地应用在实际生活中。深度卷积神经网络作为深度学习的方法之一，具有很强的学习能力，能从大量样本数据中提取隐藏的特征在，图像分类中处于佼佼者的地位。目前，在国际图像识别大赛中获得最好成绩的团队都采用了深度卷积神经网络。为了解决无法在复杂环境变化下识别交通标志难题，本发明基于卷积神经网络的方法，设计了一种新的基于深度卷积神经网络方法的交通标志识别方法。

技术实现要素：

本发明设计了一种应用于交通标志识别的深度卷积神经网络方法，该方法能够应用于环境多变下的交通标志识别，完成交通标志所处环境复杂，光照变化多样，汽车驾驶过程出现的颠簸使图像出现畸变、模糊现象等情况下的交通标志识别。

所述的深度卷积神经网络方法的硬件系统包括：

用于精度控制、图像采集和数据处理的计算机；

用于采集图像的彩色摄像机；

用于放置所所述的彩色摄像机的操作平台；

本发明所设计的一种应用于交通标志识别的深度卷积神经网络方法，其特征是：对交通标志图像进行识别分类，步骤如下：

步骤1：选取含有N类交通标志的数据集，所述的交通标志数据集包含训练图像X张，测试图像Y张，将所述的数据集的图像大小统一设置为3通道像素值为32×32的图像；

步骤2：深度卷积神经网络模型的第一层输入层参数I1＝m1×m1×n1，设置m1＝32，n1＝3；

步骤3：步骤2中所述的深度卷积神经网络模型的第二层卷积层参数C1＝m2×m2×n2，设置m2＝7，n2＝6；

步骤4：步骤2中所述的深度卷积神经网络模型的第三层卷积层参数C2＝m3×m3×n3，设置m3＝5，n3＝12；

步骤5：步骤2中所述的深度卷积神经网络模型的第四层池化层参数P1＝m4×m4×n4，设置m4＝2，n4＝1；

步骤6：步骤2中所述的深度卷积神经网络模型的第五层池化层参数C3＝m5×m5×n5，设置m5＝3，n5＝18；

步骤7：步骤2中所述的深度卷积神经网络模型的第六层全连接层输入参数FI1＝[(m1-m2-m3+2)/m4-m5+1]2×n5，设置所述的深度卷积神经网络模型的第六层全连接层输出参数FO1＝500；

步骤8：步骤2中所述的深度卷积神经网络模型的第七层全连接层输入参数FI2＝FO1，设置所述的深度卷积神经网络模型的第七层全连接层输出参数FO2＝160；

步骤9：步骤2中所述的深度卷积神经网络模型的第八层全连接层输入参数FI3＝FO2，所述的深度卷积神经网络模型的第八层全连接层输出参数为步骤1中所述的N；

步骤10：设置深度卷积神经网络模型的激励函数如公式(1)所示；

R(x)＝max(x) 公式(1)

其中，当R(x)＞0时，R(x)等于自身，当R(x)≤0时，R(x)等于0；

步骤11：设置深度卷积神经网络模型的正则化函数如公式(2)所示；

其中，C0表示任意损失函数，ω表示模型的所有权值，λ表示正则化函数；

步骤12：设置深度卷积神经网络模型的梯度下降算法如公式(3)至公式(7)所示；

mt＝μ*mt-1+(1-μ)*gt 公式(3)

其中，mt，nt分别表示对梯度的一阶矩估计和二阶矩估计，gt表示梯度，μ，v表示动态因子，表示mt，nt的校正；ε为常数确保分母不为0，η表示学习率，表示对学习率的一个动态约束；

步骤13：将步骤1中所述的X张训练图像导入步骤2至步骤12设置好的深度卷积神经网络模型进行训练；

步骤14：将步骤1中的Y张测试图像导入步骤13中训练好的深度卷积神经网络模型进行测试；

步骤15：启动所述的彩色摄像机，对交通标志进行图像采集，用步骤14测试好的深度卷积神经网络模型对彩色摄像机采集到的交通标识进行识别分类，得到分类结果，识别结束。

本发明所设计的深度卷积神经网络模型结构流程图如图1所示。将处理好的标准数据集图片直接导入深度卷积神经网络模型进行训练和测试。

本发明的有益效果是：通过本发明所介绍的深度卷积神经网络方法，可以解决环境多变下的交通标志识别难题，在不同光照环境，交通标志图像畸变或模糊的情况下，仍能实现对交通标志的识别。

附图说明

图1：本发明所设计的深度卷积神经网络模型结构流程图；

图2：图像卷积的运算原理图；

图3：图像池化的运算原理图；

图4：图像全连接的原理图；

具体实施方式

卷积方法是通过图像的矩阵与卷积核矩阵进行卷积运算，获得图像的特征矩阵，图像矩阵与卷积核每进行一次卷积运算都会获得不同的图像特征矩阵。进行多次图像矩阵卷积运算可以获得多次的图像特征矩阵，将多次的图像特征矩阵叠加可获得更为复杂的图像特征。

以一次卷积运算为例，设某一图像卷积后的图像特征矩阵为y[m，n]，卷积运算公式如公式(4)所示：

其中，x[m，n]表示某一图像的矩阵，h[m，n]表示卷积核矩阵。

图像卷积的运算原理图如图2所示。

池化方法是通过某一位置的相邻输出的总体统计特征来代替网络在该位置的输出。当对输入微量平移时，经过池化方法后的大多数输出并不会发生改变。池化方法对输入的特征矩阵进行压缩，简化网络计算复杂度并提取主要特征。图像池化的运算原理图如图3所示。

全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。由于其全相连的特性，一般全连接层的参数也是最多的。图像全连接的原理图如图4所示。

本发明所设计的一种应用于交通标志识别的深度卷积神经网络方法，其特征是：对交通标志图像进行识别分类，步骤如下：

步骤1：选取含有N类交通标志的数据集，所述的交通标志数据集包含训练图像X张，测试图像Y张，将所述的数据集的图像大小统一设置为3通道像素值为32×32的图像；

步骤2：深度卷积神经网络模型的第一层输入层参数I1＝m1×m1×n1，设置m1＝32，n1＝3；

步骤3：步骤2中所述的深度卷积神经网络模型的第二层卷积层参数C1＝m2×m2×n2，设置m2＝7，n2＝6；

步骤4：步骤2中所述的深度卷积神经网络模型的第三层卷积层参数C2＝m3×m3×n3，设置m3＝5，n3＝12；

步骤5：步骤2中所述的深度卷积神经网络模型的第四层池化层参数P1＝m4×m4×n4，设置m4＝2，n4＝1；

步骤6：步骤2中所述的深度卷积神经网络模型的第五层池化层参数C3＝m5×m5×n5，设置m5＝3，n5＝18；

步骤7：步骤2中所述的深度卷积神经网络模型的第六层全连接层输入参数FI1＝[(m1-m2-m3+2)/m4-m5+1]2×n5，设置所述的深度卷积神经网络模型的第六层全连接层输出参数FO1＝500；

步骤8：步骤2中所述的深度卷积神经网络模型的第七层全连接层输入参数FI2＝FO1，设置所述的深度卷积神经网络模型的第七层全连接层输出参数FO2＝160；

步骤9：步骤2中所述的深度卷积神经网络模型的第八层全连接层输入参数FI3＝FO2，所述的深度卷积神经网络模型的第八层全连接层输出参数为步骤1中所述的N；

步骤10：设置深度卷积神经网络模型的激励函数如下式所示；

R(x)＝max(x)

其中，当R(x)＞0时，R(x)等于自身，当R(x)≤0时，R(x)等于0；

步骤11：设置深度卷积神经网络模型的正则化函数为L2正则函数，L2正则函数如下式所示；

其中，C0表示任意损失函数，ω表示模型的所有权值，λ表示正则化函数；

步骤12：设置深度卷积神经网络模型的梯度下降算法如下所示；

mt＝μ*mt-1+(1-μ)*gt

其中，mt，nt分别表示对梯度的一阶矩估计和二阶矩估计，gt表示梯度，μ，v表示动态因子，表示mt，nt的校正；ε为常数确保分母不为0，η表示学习率，表示对学习率的一个动态约束；

步骤13：将步骤1中的X张训练图像导入步骤2至步骤12设置好的深度卷积神经网络模型进行训练；

步骤14：将步骤1中的Y张测试图像导入步骤13中训练好的深度卷积神经网络模型进行测试；

步骤15：启动所述的彩色摄像机，对交通标志进行图像采集，用步骤14测试好的深度卷积神经网络模型对彩色摄像机采集到的交通标识进行识别分类，得到分类结果，识别结束。

本发明与现有的交通标志识别方法区别是：无需额外的图像预处理获取图像特征，通过卷积运算直接在深度卷积神经网络模型内提取图像特征；本发明不受光照环境、拍摄角度等因素的影响，通过多层卷积层计算可以获得图像更深层的图像特征。因此本发明所设计的深度卷积神经网络的交通标志识别方法，可以提高识别的鲁棒性和准确性。

综上所述，本发明所述的深度卷积神经网络的优点是：

(1)由于不需要进行图像预处理来获取图像特征，可以直接通过卷积运算获得的图像特征更具有针对性，使得本发明的识别方法准确性更高；

(2)由于通过多层的卷积层对图像进行特征提取，获得的图像特征信息更加丰富，避免了外在因素对识别的干扰，使得本发明的识别方法具有更好的鲁棒性。

以上示意性的对本发明及其实施方式进行了描述，该描述没有局限性，附图中所示的也只是本发明的实施方式之一。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，采用其它形式的同类部件或其它形式的各部件布局方式，不经创造性的设计出与该技术方案相似的技术方案与实施例，均应属于本发明的保护范围。