【《基于卷积神级网络的交通标志识别实验探究案例》4000字】

6969基于卷积神级网络的交通标志识别实验探究案例目录TOC\o"1-3"\h\u15517基于卷积神级网络的交通标志识别实验探究案例 1202971.交通标志识别 198721.1卷积神经网络 2189511.1.1卷积神经特点 277251.1.2图像卷积原理 2304061.2算法改进 3316911.3本章小结 7221412.实验结果分析 816852.1交通标志图像检测实验 8321142.1.1模型训练曲线 8277392.1.2交通标志prohibitory类，warning类、以及mandatory类识别 9108342.2软硬件配置 122022.3总结 121.交通标志识别交通标志被检测后就要关注如何对交通标志进行一个分类。在我们日常生活中，我们遇到的多数的交通标志可以分为三大类，警告类、指向类、禁止类，本实验就要把数据集中的图像标定为以上三类。分好类后就要进行识别的步骤了，识别的精准度和实时性都能对系统是否能搭载到我们日常生活中造成影响。然而现实中交通标志所在的环境并不单一，有时还很复杂，交通标志牌有时会被树木遮挡，还有光照的原因，标识牌还有可能反光，这都是需要被考虑在系统实现的内容里。为了提升交通标志识别的准确性和实时性，提出一种基于卷积神经网络的交通标志识别改进后的算法。1.1卷积神经网络1.1.1卷积神经特点卷积神经网络是深度学习的一个重要组成，此技术主要是在图像检测识别方向运用，其结构大体上是卷积层，池化层，全连接层以及损失函数。在图像提取这一关键步骤中体现了卷积层的两大特色：1.局部连接：卷积层的节点和上一层的图像的一些部分相连接，并会把对应的像素值进行一个输出。2.权值共享[13]：图像作为一个整体来对内核的参数进行共享，位置的改动并不会对卷积核内的参数进行修改。正因为卷积层拥有这两大特点。卷积神经网络有时因数据过多发生的拟合问题才会得到较好的解决[14]。卷积网络的操作中应用的是权值共享的模式模拟了人类或者动物的神经网络，模型自己的参数难度可以通过卷积层的两大特点进行一个比较不错的降低，此方法大大地降低了参数数量。省去了网络创建初期的设计识别和数据参数预处理的大部分初期工作。1.1.2图像卷积原理CNN在通过输入数据学习权重连接部分参数，采用卷积提取图像的部分特征用来输出新的特征图，通过卷积来提炼图片中突出的区域性特征，例如轮廓，边界，方向，颜色等。通过网络训练的过程重新连接参数的权值，卷积核的卷积操作是在特点图中和卷积核大小一致的局部范围运算卷积神经网络中的特征提炼由三方面考虑，第一是卷积层的卷积操作，卷积神经网络同时开始多种卷积操作得到的第一次映射。第二是关于激活函数，通过激活函数得到的映射可以进行从线性映射到非线性的转变，例如relu函数[15]，这一步也可以涵盖叫做激活层。最后，对前面步骤得到的结果使用池化函数（poolingfunction）来对输入的特点图片进行下一步的采样操作。1.2算法改进在我们真实生活场景中，我们不能只去关注识别的精准度，也要把识别的时长因素考虑到位，因为实时性是决定计算机在判断图像时的关键因素。为了提高CNN算法的实时检测特性，需要对现有的虚拟数据进行剪枝，提炼出轻量型的网络模型。力求在维持原有的精确度不变的情况下，加速网络模型的识别速度，来提高检测识别系统的实时性。基于LeNet5网络识别算法[16]，对卷积神经网络CNN进行改良，在对现有的算法改进之前，应先对LetNet5网络识别算法进行简单介绍。首先介绍一下LeNet5网络的总体结构，LeNet5网络有七层模型，最开始的两层是卷积层，之后是两层池化层，卷积层运用的是5*5的卷积核，与卷积层的卷积核大小不相同的是，池化层的内核大小仅仅为2*2。LeNet5网络最后三层为全连接层，三层连接层的节点数目分别为126,84，10。与传统的CNN卷积神经网络采用的激活函数不同的是LeNet5网络采纳的激活函数是signmoid激活函数[17]。最后LeNet5网络输出层采用的是SOFT分类器。为了提升识别时的精确性和实时性，本实验对原先的LeNet5网络模型做出了以下几个方向的改动：(1)首先是对卷积核的统一，先前卷积层的卷积核数不固定，我们将所有卷积层的卷积核替换为3×3卷积核。在此对卷积核的规律进行一个简单的介绍，正常情况下两个3×3的卷积层等价于一层5×5的卷积层,三个3×3的卷积层等价于一层7×7的卷积层,在网络层次越来越深的情况下,加入了从线性变化到非线性变化,网络自身的学习能力也会增强，对特征锁定会更加敏感和快速，于此同时网络本身的容积也在随之变大。相比于传统的5×5和7×7的大卷积核,3×3的卷积核参数数量大幅减少。(2)之后希望对网络的范围进行一个扩大，因此引入了Inception模块组。Inception模块[18]会把不同大小的卷积在相同的一层卷积上进行匹配和组合,此后可以利用更小的卷积核，例如1×1的卷积核对图像的特征进行遍历和判断，得到的结果进行初步的判断，若维度还是太高，再进行降维操作。在同一组参数数据下，我们可以判断出引入此模块的优点有：大大提升了计算的效率，特征提取液更加精确和充分，数据训练后得到的结果更为显著。(3)现在要应对的是输入的批量样本。在此我们引入批量归一化方法REF_Ref74314641\r\h[19]处理，在对卷积神经网络进行练习的过程中,每一层的网络参数会根据数据进行一个线性变化。为了统一每层网络的数据分布,于是在每一层卷积层后引入批量归一化,将每一层数据归一化到均值为0,方差为1。批量化归一公式为：xk=(4)在激活函数的选择这一步上，使用之前提到的ReLu激活函数对原先的Sigmoid激活函数进行代替σx=在我们开始采用Sigmoid激活函数训练的过程中,有如下三个显而易见的缺陷:1)当网络的输入比较大或比较小时,神经元梯度会向0的方向无限地靠近,在反向传播的过程中神经元梯度会自动地消失,这最终会导致神经网络无法训练;2)Sigmoid激活函数的输出结果均值为0,上一层的神经元输出的非0结果会作为下一层的神经元系统的输入数据,当输入数据是正值时,梯度会一直向正方向更新;3)Sigmoid激活函数的计算非常繁琐,对范围大的深度学习网络神经会增加对网络的训练时长。ReLu激活函数公式为：YX=把Sigmoid激活函数和ReLU激活函数进行一个综合的对比后发现,在梯度传播的方向上后者的特性非常契合此传播方式。在总体计算量方面，后者的优势也能体现出来，ReLU激活函数只需要进行一次算数运算就可以比后者的效率高很多。ReLU激活函数的运算特性是把输出结果大于0的位置全部当做1,这样做的优势是可以稳定住梯度的范围，不会让梯度过小同时也不会发生饱和的现象,这样的优势又有助于在反向传播的情形下梯度能更有效地传递到前面的网络。说完了ReLU激活函数的优势，其也有不足的地方:ReLU激活函数也会有“失手”的时候，在确定情形下激活函数会失去对数据的激活现象，例如当一个庞大的梯度经过神经元时，激活函数失去原先的功能。所以在采用此激活函数时要注意的是先确定好激活函数的值稳定在一定范围内,以免会出现“DeadReLU”问题[20]。两种激活函数如图所示：图4-1两种激活函数如图上图所示,Sigmoid激活函数对中间的信号影响较大,对两侧的信号影响较小。ReLU激活函数是线性的分段函数,当信号不大于0时,输出信号为0,当信号大于0时,输入和输出信号保持一致。相比于Sigmoid激活函数,ReLU激活函数能比较好地契合模拟训练的数据,在反向传播过程中有助于将梯度传播到前面的网络,加速网络模型的收敛,所以对卷积神经网络模型的改进是采纳ReLU激活函数。(5)采用GlobalAveragePooling层4代替全连接。GlobalAveragePooling层计算上一层每张特征图所有像素点的均值,并将输出的特征点组合成特征向量,送入Softmax层分类识别。与全连接层相比,GlobalAveragePooling层的参数数目明显减少。在图片被输入到改进的卷积神经网络中模拟之前，需要对交通标志图像进行一个预解析，1)对数据集进行重新采样，使得每类的交通标志标识个数均匀分散。2)为了方便训练和测试，需要对图标的尺寸进行一个标准化，把所有图标大小都变为32*32。3)使用直方图均衡化对图像进行加强。其原理是通过改变像素的强度来增加对比度，将一副图像的直方图转变为均匀分布。4)图像的像素范围是0-255，将图像像素统一到[-1,1]之间。5)将图片翻转的角度设为10°，图片随机水平或垂直偏移幅度设为0.88，图片随机缩放的参数设置为0.2。1.3本章小结在互联网的大时代背景下，交通标志的检测识别离不开计算机视觉领域和深度学习的发展，此部分的发展也和计算机本身的硬件性能和大数据技术息息相关。在此部分简单介绍了卷积神经网络的基本构成和运行原理,卷积神经网络不再使用设计手工特点来提炼图像的轮廓,直接训练图像数据来了解特征。接着介绍了LeNet-5网络这种典型卷积神经网络模型的原理,并比较分析了这种网络结构的优缺点。在真实的生活场景中我们需要快速且精准地判断出交通标志的意义,同时发挥出识别精确度的长处,改进过程中我们以LeNet-5网络模型为基础的情况下,引入Incepion模块组来对网络的范围进行一个扩展,在我们综合AlexNet[21]和GoogleNet两种网络的特点和长处后,最终提出一个轻量级的网络模型。2.实验结果分析2.1交通标志图像检测实验2.1.1模型训练曲线利用CCTSDB交通标志图像，将不同派别下的各种交通标志图像分别放入训练集和测试集，用OpenCV进行标记后处理，并采用Darknet框架训练交通标志识别模型，识别率达标后完成训练。图5-1模型训练结果图2.1.2交通标志prohibitory类，warning类、以及mandatory类识别程序运行结果截图：可以看到程序优化效果明显，相较于原先的识别算法，改进后的图像抓取更为精确，识别准度也更高。图5-2对于两种不同类型的交通标志进行同时识别图5-3在光线较暗的环境下的识别图5-4对于三个交通标识的同时识别图5-5对于树木遮挡下的标志识别图5-6对复杂标识牌的识别2.2软硬件配置本实验使用的计算机实验环境如下：CPU(英特尔)Intel(R)Core(TM)i7-4720HQ，CPU主频是2.6Ghz，内存为8G，操作系统是Windows10，显卡配置是NVIDIAGeForceGTX960M，显存为4G，主板是宏碁AspireVN7-591G。软件平台为visualstudio2017，Qt-opensource-windows-x86-2.9.9，Opencv-1.2.1，DevC++。2.3总结在复杂多变的真实道路场景中，交通标志的识别检测是一项具有挑战性的工作。本实验改进的深度学习算法一定程度上