1.一种基于SRCNN的交通标志识别方法,其特征在于:包括以下步骤:步骤一:对输入的交通标志图像进行图像预处理:先定义处理分界点像素;然后将输入的交通标志图像的像素与处理分界点像素进行比较,对于像素小于处理分界点像素的图像,利用基于SRCNN的超分辨率重建算法将输入图像重建为处理分界点像素的图像;对于像素不小于处理分界点像素的图像,利用双线性插值算法缩小为处理分界点像素的图像;
步骤二:对Lenet‑5卷积神经网络进行训练,得到Lenet‑5卷积神经网络模型;
步骤三:将步骤一中预处理后的交通标志图像输入步骤二得到的Lenet‑5神经网络模型进行识别,得到该交通标志图像的类别。
2.根据权利要求1所述的一种基于SRCNN的交通标志识别方法,其特征在于:在步骤一中,使用基于SRCNN的超分辨率重建方法对输入图像进行超分辨率重建的具体步骤如下:步骤(1.1):将输入图像P按照R、G、B三个通道进行分割,对每个通道的图片分别进行超分辨率重建,使用ReLu作为激活函数δ(x)=max(0,x);
(1.1.1)对G通道的矩阵G:
Y1=δ(G*W1+B1)
Y2=δ(Y1*W2+B2)
Y3=δ(Y2*W3+B3)
其中,Yi为第i层卷积层的输出特征,作为第i+1层的输入,Bi和Wi为第i层的偏置和权重,*表示卷积运算;其中,权重初始为正态分布,偏置初始化为0;第一层卷积网络对输入的图片进行特征提取,第二层对第一层提取的特征进行非线性映射,第三层生成高分辨率图像;
(1.1.2)对B通道的矩阵B:
Y1=δ(B*W1+B1)
Y2=δ(Y1*W2+B2)
Y3=δ(Y2*W3+B3)
其中,Yi为第i层卷积层的输出特征,作为第i+1层的输入,Bi和Wi为第i层的偏置和权重,*表示卷积运算;其中,权重初始为正态分布,偏置初始化为0;第一层卷积网络对输入的图片进行特征提取,第二层对第一层提取的特征进行非线性映射,第三层生成高分辨率图像;
(1.1.3)对R通道的矩阵R:
Y1=δ(R*W1+B1)
Y2=δ(Y1*W2+B2)
Y3=δ(Y2*W3+B3)
其中,Yi为第i层卷积层的输出特征,作为第i+1层的输入,Bi和Wi为第i层的偏置和权重,*表示卷积运算;其中,权重初始为正态分布,偏置初始化为0;第一层卷积网络对输入的图片进行特征提取,第二层对第一层提取的特征进行非线性映射,第三层生成高分辨率图像;
步骤(1.2):对经超分辨率重建后的R、G、B三个颜色通道进行合成,生成处理分界点像素的图像;
N
其中,采取MSE作为损失函数E ,步长为1,补零填充,将Adam作为优化器进行误差的反向传播;
其中,N为样本个数,g为输入的类别,y为输出,label为标签。
3.根据权利要求1所述的一种基于SRCNN的交通标志识别方法,其特征在于:在步骤二中,采用mini‑batch的反向传播方法对Lenet‑5卷积神经网络的进行训练,具体步骤如下:步骤(2.1):前向传播阶段:
步骤(2.1.1):从进行过超分辨率重建或双线性插值的训练集中取出训练样本(xt,yt),将xt作为卷积神经网络的输入,yt作为前向传播结果的标签;
步骤(2.1.2)将输入依次送入Lenet‑5卷积神经网络的7层神经网络,其中,第一层为第一卷积层:卷积核大小为5x5像素,步长为1像素,特征图个数为32个;第一卷积层的形式如下所示:其中,l代表层数,k是卷积核,Mj代表输入特征图的一个选择;每个输入图像有一个偏置b;
第二层为第一池化层:池化窗口大小为2x2像素,步长为2像头,采用最大池化方式;
第三层为第二卷积层:卷积核大小为5x5像素,步长为1像素,特征图个数为32个;
第四层为第二池化层:池化窗口大小为2x2像素,步长为2像素,采用最大池化方式;
第五层为第一连接层:神经元个数为512个,采用能防止网络训练出现过拟合的dropout算法,隐含节点dropout率设置为0.5;
第六层为第二连接层:神经元个数为43个,节点数目转换;
第七层为softmax,其中,softmax函数如下所示:其中,C是样本种类数, 是第i类结果的第六层的输出;取最大值作为预测值pt;
步骤(2.2):反向传播阶段:
根据交叉熵函数,计算各层网络节点的偏导数,并更新权重参数,进行反向传播,直至完成一次迭代;
其中,交叉熵函数如下所示:
L=‑(ytlogpt+(1‑yt)log(1‑pt))其中,为预测值,为实际值;
步骤(2.3):重复进行前向传播与反向传播阶段,直至达到设定的迭代次数后,训练终止,此时得到的网络模型即为最终的结果。
4.根据权利要求3所述的一种基于SRCNN的交通标志识别方法,其特征在于:第一池化层、第二池化层及第二连接层中采用能将输出结果映射到(0,1)区间的sigmoid激活函数。