CN109492661B - 基于wwcnn模型和tvpde算法的交通标志识别方法 - Google Patents

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

基于WWCNN模型和TVPDE算法的交通标志识别方法

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E_d是数据代价函数，E_g是梯度代价函数，则TVPDE表示为：

E_d＝λ_d(f-v)² (2)，

E_g＝λ_g[(f_x-G_x)²+(f_y-G_y)²]² (3)，

其中，λ_d、λ_g是控制参数，f是待求图像梯度场，f_x是f的x方向梯度场，f_y是y方向梯度场，v是原图梯度场，G_x、G_y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

x_i＝f(ω_ix_i-1+b_i) (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系统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E_d是数据代价函数，E_g是梯度代价函数，则TVPDE表示为：

E_d＝λ_d(f-v)² (2)，

E_g＝λ_g[(f_x-G_x)²+(f_y-G_y)²]² (3)，

其中，λ_d、λ_g是控制参数，f是待求图像梯度场，f_x是f的x方向梯度场，f_y是y方向梯度场，v是原图梯度场，G_x、G_y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

x_i＝f(ω_ix_i-1+b_i) (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系统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E_d是数据代价函数，E_g是梯度代价函数，则TVPDE表示为：

E_d＝λ_d(f-v)² (2)，

E_g＝λ_g[(f_x-G_x)²+(f_y-G_y)²]² (3)，

其中，λ_d、λ_g是控制参数，f是待求图像梯度场，f_x是f的x方向梯度场，f_y是y方向梯度场，v是原图梯度场，G_x、G_y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系统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。

Images