基于卷积神经网络的图像识别算法
基于卷积神经网络的图像处理技术研究
基于卷积神经网络的图像处理技术研究图像处理技术是目前智能化发展的重要组成部分。
其主要通过对图像进行分析、识别、处理等一系列操作，来获取有用信息，帮助人们更好的进行决策。
而其中的卷积神经网络（CNN）则成为了图像处理技术中最为重要的一部分。
卷积神经网络是一种强大的图像处理技术，它通过学习和训练大量的数据来自动提取图像中的特征，并对图像进行分类、识别和分割等操作，因此在目标检测、人脸识别等领域发挥着重要的作用。
接下来，我们将从以下几个方面对基于卷积神经网络的图像处理技术进行研究。
一、卷积神经网络的基本结构卷积神经网络的基本结构由多个卷积层、池化层、全连接层等组成。
其中卷积层主要用来提取特征，池化层用来降维，全连接层用来做最终的分类。
在卷积神经网络中，对图像进行卷积操作是核心步骤。
卷积操作通过使用一组大小固定的卷积核，对原图的每个像素进行计算，得出新的图像特征，从而实现对图像特征的提取。
而池化层则通过缩小卷积特征图的尺寸，且保留主要特征信息，来减少网络的参数量，提高网络的鲁棒性和泛化能力。
全连接层则是卷积神经网络中的最后一层，它将卷积层和池化层提取好的特征进行分类，输出结果。
由于特征的提取已经在前面的层次中完成，因此全连接层的主要作用是输出对应的分类标签。
二、基于卷积神经网络的图像分类基于卷积神经网络的图像分类，可以分为传统的单尺度CNN 和新型的多尺度CNN两种。
单尺度CNN通过不同深度的卷积层和池化层来对图片进行特征提取，并通过全连接层将结果分类。
其最大的问题是无法处理不同尺度的输入图片，因此从单尺度CNN出发，提出了新型多尺度CNN。
多尺度CNN是指将图像分成几个不同的尺度，然后将不同尺度的图像输入到不同的卷积层，使得不同尺度的特征能够在一个网络中学习到更好的表示。
而这种方法能更好的改善单尺度CNN 无法处理不同尺度图片的问题。
三、基于卷积神经网络的图像处理技术基于卷积神经网络的图像处理技术包括目标检测、图像分割、人脸识别等。
使用卷积神经网络进行图像特征抽取的步骤
使用卷积神经网络进行图像特征抽取的步骤随着人工智能的发展，图像识别和图像分类等任务越来越重要。
而卷积神经网络（Convolutional Neural Network，CNN）作为一种强大的深度学习算法，被广泛应用于图像处理领域。
本文将介绍使用卷积神经网络进行图像特征抽取的步骤。
一、数据预处理在使用卷积神经网络进行图像特征抽取之前，我们需要对数据进行预处理。
首先，需要将图像数据转换为合适的格式，常见的格式包括JPEG、PNG等。
其次，需要对图像进行归一化处理，将像素值转换到0-1之间，以便网络更好地处理图像。
此外，还可以进行数据增强操作，如随机裁剪、旋转、翻转等，以增加数据的多样性和鲁棒性。
二、构建卷积神经网络模型构建卷积神经网络模型是进行图像特征抽取的关键步骤。
卷积神经网络由多个卷积层、池化层和全连接层组成。
卷积层通过卷积操作提取图像的局部特征，池化层通过降采样操作减小特征图的尺寸，全连接层通过连接所有特征图进行分类。
在构建模型时，需要确定网络的层数、每层的卷积核大小、激活函数等参数，并根据任务需求选择合适的损失函数和优化算法。
三、网络训练与优化构建好卷积神经网络模型后，需要对模型进行训练和优化。
训练过程中，首先需要将数据集分为训练集和验证集，用训练集进行模型训练，用验证集评估模型性能，并根据验证集的结果进行调参和优化。
训练过程中，可以使用批量梯度下降（Batch Gradient Descent）或随机梯度下降（Stochastic Gradient Descent）等优化算法来更新网络参数。
此外，还可以使用正则化方法如L1正则化、L2正则化等来防止过拟合。
四、特征抽取与分类经过网络训练后，可以使用已训练好的卷积神经网络模型进行特征抽取和分类。
特征抽取是指通过卷积层和池化层提取图像的高层次特征，常用的方法包括将卷积层的输出作为特征向量、使用全局平均池化（Global Average Pooling）等。
卷积神经网络在图像识别中的应用
卷积神经网络在图像识别中的应用
卷积神经网络（Convolutional Neural Networks）是一
种深度学习算法，它可以被用来分析和处理图像和影像数据。
它主要用于图像识别，如人脸识别，实验室成像，识别图像中的不同物体，统计分布等。
卷积神经网络是一种专门用于处理图像数据的深度学习
算法。
它使用“卷积层”来抽取图像特征，以便精准识别物品。
它采用特别的布局，可以实现高效的图像处理，而不用
考虑复杂的数字计算。
它的结构可以使用独特的像素构建层次来处理图像，以便深度学习可以完成更贴合图像的识别任务。
卷积神经网络可以被广泛用于工业和商业环境，以识别
和分析来自各种来源的图片和影像数据。
它使得面部识别成为可能，也可以被用于消费和医疗等行业的人体分析应用。
在自动驾驶领域，它可以被应用到识别物体，路标，车辆等场景中。
总之，卷积神经网络使用的技术让图像识别更容易，并
且具有高精度和精准度。
它可以是有效的，可靠的，可扩展的，可以应用于各种行业和场景中。
比如，可以处理和分析图像和影像，人脸识别，自动驾驶，商业图像处理等。
基于卷积神经网络的雨天图像去雨算法
基于卷积神经网络的雨天图像去雨算法基于卷积神经网络的雨天图像去雨算法雨天对图像质量产生了很大的影响，往往会导致图像的模糊、噪点等问题。
针对这个问题，研究者们提出了许多雨天图像去雨算法。
本文将介绍一种基于卷积神经网络的雨天图像去雨算法，并对其进行详细的分析和评价。
随着深度学习的快速发展，卷积神经网络在图像处理领域取得了巨大的成就。
在雨天图像去雨问题中，卷积神经网络具有很好的应用潜力。
该算法的基本思路是通过训练一个卷积神经网络，将输入的雨天图像转化为无雨的清晰图像。
这个网络通常包含多个卷积层、池化层和全连接层，以及激活函数和归一化层等。
首先，训练数据的准备对于算法的性能至关重要。
研究者通常会收集大量的雨天图像和与之对应的无雨天图像作为训练样本。
这些样本经过预处理后，用于训练卷积神经网络。
预处理包括雨滴检测、雨滴遮罩生成等步骤，旨在对训练样本进行有效的筛选和标注。
然后，将这些样本输入到卷积神经网络中进行训练。
训练过程中，通过反向传播算法和梯度下降等优化方法，不断调整网络的权重和偏差，以提高网络的性能和去雨效果。
其次，卷积神经网络在去雨算法中的应用方式有多种。
其中最常见的方式是使用卷积层和池化层来提取图像的特征，并通过堆叠多个卷积层和池化层来增加网络的深度和复杂度。
这样做可以使网络更好地学习图像的雨滴特征和纹理信息，从而提高去雨效果。
此外，为了进一步提高性能，研究者还引入了残差连接、上采样等技术，用于减轻网络的退化和信息损失。
这些技术在图像去雨中发挥了重要作用，通过增加网络的容量和改善信息传递，提高了去雨效果和图像的重建质量。
最后，我们对基于卷积神经网络的雨天图像去雨算法进行了评价。
通过对比实验，我们发现这种算法在去雨方面的性能明显优于传统的图像去雨算法，能够有效地去除雨滴和恢复图像的清晰度。
而且，由于卷积神经网络具有良好的可扩展性和适应性，该算法可以进一步改进和扩展，以适应更复杂的雨天场景和各种图像处理任务。
基于卷积神经网络的交通标志识别技术
基于卷积神经网络的交通标志识别技术近年来，随着计算机视觉技术的发展，基于卷积神经网络的交通标志识别技术已经逐渐成为了研究热点。
在实际应用中，交通标志识别技术可以用于自动驾驶、智能交通、安防等领域，极大地方便了社会交通管理和智能化系统的应用。
一、基础概念卷积神经网络（Convolutional Neural Network，简称CNN）是一种深度学习的算法，是由Yann Lecun等人于1998年提出。
CNN的基础结构包括卷积层、池化层、全连接层和激活函数等模块。
其中，卷积层是CNN的核心模块，在卷积层中，使用一组固定的卷积核对输入的图像进行卷积操作，从而抽取出图像的特征信息。
池化层用于缩小特征图的尺寸，全连接层用于将特征图转换为输出结果。
二、交通标志识别技术交通标志识别技术是一种基于计算机视觉的算法，旨在通过分析图像内容将交通标志分类。
交通标志识别技术的关键步骤包括图像预处理、特征提取和分类器训练等过程。
其中，特征提取是交通标志识别的核心步骤，而基于CNN的特征提取技术已经成为了交通标志识别领域的主流。
三、基于CNN的交通标志识别技术优势与传统的交通标志识别算法相比，基于CNN的交通标志识别技术具有以下优势：1. 鲁棒性：卷积神经网络具有良好的鲁棒性，可以对输入图像的光照、角度、变形等因素进行较好的识别和分类。
2. 精度高：与传统的基于图像特征提取方法相比，基于CNN的交通标志识别技术具有较高的识别精度和准确率。
3. 普适性强：基于CNN的交通标志识别技术可以适用于不同种类的交通标志，具有较好的普适性和通用性。
四、基于CNN的交通标志识别技术实现步骤1. 数据集准备：首先需要准备带有标注信息的交通标志数据集。
2. 图像预处理：对输入图像进行大小归一化、灰度化、局部直方图均衡化等预处理。
3. 特征提取：基于事先训练好的卷积神经网络模型，提取输入图像的特征信息。
4. 分类器训练：使用分类器对提取出的特征信息进行训练，以决策分类器的参数。
基于CNN的图像分类算法研究
基于CNN的图像分类算法研究图像分类是人工智能领域中的一个重要研究方向。
其目标是从一组图像中识别和分类属于不同类别的图像。
在图像分类任务中，卷积神经网络（CNN）是目前最为流行和主要的模型之一。
本文将讨论基于CNN的图像分类算法的研究进展和未来发展方向。
一、CNN的基本原理CNN是一种用于图像处理和识别的深度学习模型。
它从图像中提取特征并将其分类到不同的类别中。
CNN的核心组件是卷积层，卷积层用于从图像中提取特征。
卷积层通过使用一组滤波器（也称卷积核）来扫描输入图片，并将激活神经元的结果输出到下一层。
卷积层之后可能还有一些其他类型的层，如池化层、归一化层和激活函数层。
最后，经过多轮卷积和池化，CNN能够输出对每个类别的概率预测，以使分类决策。
二、CNN的图像分类应用CNN已经在各种不同的图像分类任务中展现了其卓越的性能。
它被广泛应用于图像分类、物体识别、人脸识别、场景识别和手势识别等领域。
下面简要介绍一些典型的图像分类应用：1. 图像分类：在这个任务中，CNN需要对各种不同类型的图片进行分类，比如猫、狗、汽车和自行车等。
这个任务的目标是将输入图片精确地分类到正确的类别中。
2. 物体识别：物体识别任务是在图像中检测特定物体。
这个任务的目标是确定一个图片中是否存在一个特定的目标，比如桌子、人、汽车或者其他物体。
3. 人脸识别：人脸识别系统是以人脸特征为基础的识别系统，在这个任务中，CNN必须学习如何在不同角度，不同光照下正确地识别人脸。
4. 场景识别：在这个任务中，CNN必须根据图片的背景和物体的类型来准确地识别图片中的场景，比如沙滩、城市、公园或者山脉等。
三、CNN的分类算法研究进展随着深度学习中CNN技术的持续发展，基于CNN的各类图像分类算法不断涌现。
下面介绍一些目前较为热门的图像分类算法：1. AlexNetAlexNet是目前应用最为广泛的卷积神经网络之一。
该模型在2012年的ImageNet竞赛中创下了惊人的成绩。
基于深度学习卷积神经网络图像识别技术的研究分析探讨
信息通信INFORMATION & COMMUNICATIONS2019年第7期(总第199期)2019(Sum. No 199)基于深度学习卷积神经网络图像识别技术的研究分析探讨苏越(广州华立科技职业学院，广东广州511325)摘要:随着我国移动互联网技术的快速发展，微信,QQ,微博，手机应用等手机媒体的新起，以及智能手机,平板电脑和数码相机等移动设备的大量使用，与3G,4G,wifi 等高速无线网络的不断普及，让更多的用户能够更快更方便的上传和浏 览各种图像。
但是，生活中还是有很多没有标记的图像,这些没有标记的图像很难进行搜索和处理，用户不能够更快的找到自己想要的图像，所以传统的图像分类识别方法并不能够满足现在的用户，还会给现在的用户在进行图像分类识别的时候造成一定的不便,浪费不必要的时间，尤其是在复杂环境下对自然图像的分类与识别。
关键词:卷积神经网络；图像识别技术;深度学习；分析探讨中图分类号:TP183 文献标识码:A 文章编号：1673-1131(2019)07-0007-020引言人们迫切希望有一种更好更便捷的图像分类识别方法的 出现,卷积神经网络图像识别技术就是在这种条件下出现的。
并且能够很好的运用到人们的生活中,使人们的生活更便捷,减少不必要的麻烦。
1引入卷积神经网络图像识别技术人的大脑每时每刻都在接收各种各样的信息，并对这些信息进行处理和储存，当再一次使用时，大脑能够更快更准 的提取出存储的信息并且能够最大化的使用他们。
人工神经网络技术就是模仿大脑的神经网络结构，并且通过大脑的神经网络结构归纳出的一种人工智能处理图像的方法。
但是这种图像处理方法仍然有一定的缺陷，并不能解决人们的需求。
在使用人工神经网络技术时，处理图像时还需要处理影响图像效果的噪音因素。
而卷积神经网络图像识别技术就是在人工神经网络技术的基础上研究出的一种更方便的 处理图像的方法。
卷积神经网络图像识别技术是一种特殊的多层感知器，他主要是为了能自动识别和提取图像特征并且更好的识别二维图像。
基于LeNet-5的卷积神经图像识别算法
第３５卷㊀第５期２０２０年５月㊀㊀㊀㊀㊀㊀㊀液晶与显示㊀㊀㊀C h i n e s e J o u r n a l o fL i q u i dC r y s t a l s a n dD i s p l a ys ㊀㊀㊀㊀㊀V o l ．３５㊀N o ．５㊀M a y ２０２０㊀㊀收稿日期:２０１９Ｇ１０Ｇ２５;修订日期:２０２０Ｇ０１Ｇ０６．㊀㊀∗通信联系人,E Ｇm a i l :Z H w a n z h e n g１０＠１６３．c o m 文章编号:１００７Ｇ２７８０(２０２０)０５Ｇ０４８６Ｇ０５基于L e N e t Ｇ５的卷积神经图像识别算法张万征∗,胡志坤,李小龙(智洋创新科技股份有限公司,山东淄博２５５０８６)摘要:为了提升道路交通标志的识别准确率以及实施性能,本文提出一种改进的L e N e t Ｇ５卷积神经网络结构对交通标志图像进行训练.首先在检测阶段,采用基于颜色的轻量级分割算法和H o u g h 变换算法提取交通标志的目标区域,并控制算法复杂度使该识别系统基本满足实时性要求,再利用L e N e t Ｇ５对交通标志进行分类识别.在实际的校园道路在线识别试验中进行检测,结果表明,１８个交通标志通过驾驶均在本文的算法中成功识别,其运行速率达到１６．９H z ,基本满足交通标志识别稳定㊁实时等性能要求.关㊀键㊀词:交通标志识别;卷积神经网络;实时图像处理;自主车辆中图分类号:T P ３９１．４１㊀㊀文献标识码:A㊀㊀d o i :１０．３７８８/Y J Y X S ２０２０３５０５．０４８６C o n v o l u t i o n a l n e u r a l i m a g e r e c o g n i t i o na l go r i t h mb a s e d o nL e N e t Ｇ５Z H A N G W a n Ｇz h e n g ∗,HUZ h i Ｇk u n ,L IX i a o Ｇl o n g(Z h i y a n g I n n o v a t i o nT e c h n o l o g y Co ．,L t d ．,Z i b o ２５５０８６,C h i n a )A b s t r a c t :I no r d e r t o i m p r o v e t h e r e c o g n i t i o n a c c u r a c y a n d i m pl e m e n t a t i o n p e r f o r m a n c e o f r o a d t r a f f i c s i g n s ,a n i m p r o v e dL e N e t Ｇ５c o n v o l u t i o n a l n e u r a l n e t w o r ks t r u c t u r e i s p r o p o s e dt ot r a i n１８k i n d so f t r a f f i c s i g n i m a g e s ．F i r s t l y ,i n t h e d e t e c t i o n p h a s e ,t h e l i g h t Ｇw e i g h t s e g m e n t a t i o n a l go r i t h mb a s e do n c o l o r a n dH o u g h t r a n s f o r ma l g o r i t h mi s u s e d t o e x t r a c t t h e t a r g e t a r e a o f t r a f f i c s i g n s ,a n d t h e c o m Ｇp l e x i t y o f t h ec o n t r o l a l g o r i t h m m a k e st h er e c o g n i t i o ns y s t e m b a s i c a l l y m e e t t h er e a l Ｇt i m er e q u i r e Ｇm e n t s ,a n d t h e nL e N e t Ｇ５i s u s e d t o c l a s s i f y a n d r e c o g n i z e t r a f f i c s i gn s ．T h e r e s u l t s s h o wt h a t t h e t r a f Ｇf i c s i g n s a r e s u c c e s s f u l l y i d e n t i f i e db y d r i v i n g i nt h ea l g o r i t h m o f t h i s p a p e r ,a n dt h er u n n i n g s pe e d r e a c h e s １６．９H z ,w h i c hb a s i c a l l y m e e t s t h e p e rf o r m a n c e r e q u i r e m e n t s o f t r a f f i c s ig n r e c o gn i t i o n ,s u c h a s s t a b i l i t y ,r e a l Ｇt i m e a n d s oo n ．K e y wo r d s :t r a f f i c s i g n r e c o g n i t i o n ;c o n v o l u t i o n a l n e u r a l n e t w o r k ;r e a l Ｇt i m e i m a g e p r o c e s s i n g ;a u t o n Ｇo m o u s v e h i c l e１㊀引㊀㊀言㊀㊀近年来,各大知名汽车公司都在积极开发先进的驾驶辅助系统(A D A S )[１],并试图将A D A S系统商业化,甚至作为将来自动驾驶的基础.A D A S 系统不仅配备了车道保持辅助系统(L K A S)[２],还需要配备具有各种道路交通识别标志的交通标志识别(T S R)系统.而根据欧洲N C A P评级标准,当汽车速度超过设定的速度阈值时,汽车应该能够向驾驶员发出警告.尽管当前应用广泛的数字地图数据也可以知道限速值,但这种方法仅限于地图数据中的道路.因此,在大多数汽车驾驶情况下,需要基于视觉的交通标志识别系统,要求T S R系统需要能识别各种交通标志,以获得更详细的道路信息[３].近年来,交通标志识别越来越受到国内外研究者的关注.比如清华大学㊁西安交通大学等高校和科研院所对自动驾驶车辆和交通标志识别进行了大量研究.２００８年,国家自然科学基金启动了视听信息认知计算项目,无人驾驶中与车辆相关的可视化计算是其重要的研究内容之一.交通标志图像采集通常来自于驾驶车辆上的摄像设备[４],因此交通标志识别系统在实际应用中需要具有良好的实时性和准确性.自然场景中光照㊁天气㊁遮挡和拍摄角度的变化增加了交通标志识别的难度.目前,交通标志分类识别的主要算法有统计分类㊁模板匹配㊁稀疏编码㊁神经网络和遗传算法.其中,基于卷积神经网络的交通标志识别算法以其自学习能力受到国内外研究人员的高度重视.特别是在深度学习结构中,卷积神经网络(C N N)在图像分类问题中得到了广泛的应用.C N N是一种使用小的子区域(接收域)的多层感知器.接收域被平铺以覆盖整个输入图像,然后通过共享相同的权重和偏移量生成特征映射.因此,深度学习可以减少神经网络学习所需的参数数目,提高学习效率.本文利用L e N e tＧ５对国内各种交通标志进行训练,最后以实时应用为目标,选择合适的轻量级检测算法提取交通标志感兴趣区域,再通过训练模型对交通标志进行识别.２㊀基于L e N e tＧ５的交通标志识别算法２．１㊀提取交通标志候选包括本文使用的L e N e tＧ５模型[５]在内,几乎所有用于图像分类的C N N模型都是以物体图像作为输入数据的.通常在图像识别过程中会先对图像进行预处理,选择性搜索常被用作目标检测的预处理.它通过计算不同颜色空间和纹理的相似性来搜索可能包含对象的区域.目的是在健壮性和速度之间进行权衡[６].上述算法尽管可以取得较好的检测效果,但时间复杂度太高,无法满足实时计算的要求.因此,本文提出了一种简单的区域分割方法,即H S V(H u e,S a t u r a t i o n,V a l u e)阈值运算,色调值的范围设置为０~１８０,其他值的范围为０~２５５.在实际应用场景中,交通标志具有鲜明的色彩特征,如人行横道标志是蓝色的,停车标志是红色的.因此,简单的H S V阈值法基本能提取出大部分交通标志的区域.表１显示了包含 停车 和 人行横道 标志的图像的色调㊁饱和度和值分布.一般来说,停车标志的色调较高(大于１６０),人行横道标志的色调在１００左右.饱和度的值也取决于道路标志本身.本文选择了５个阈值操作的最小和最大H㊁S和V数.分别采用了停车㊁急转弯㊁慢行㊁人行横道㊁减速标志提取算法,通过下面的方程得到H S V的最小数和最大数.H m i n＝μH－ασH,㊀H m a x＝μH＋ασHS m i n＝μS－βσS,㊀S m a x＝μS＋βσSV m i n＝μV－γσV,㊀V m a x＝μV＋γσV,(１)式(１)中,μ是非零像素的平均值和标准偏差.α㊁β和γ是H㊁S和V范围边缘的决定因素.一般取α为１．１,β和γ设置为２．５.最大值和最小值的选择都反映了足够的饱和度和值的裕度,因为它们都会随着光照条件的变化而发生变化.特别是在停止标志中,由于本文使用H S V二次曲线颜色空间模型,所以色调的最小值和最大值被设置为启发式的.红色的色调在１７０~１８０和０~１０之间.表１㊀H S V最大值最小值T a b．１㊀H S V m a x i m u ma n dm i n i m u m最小阈值最大阈值H S V H S V １１４７４２２１１８２１４３２１２７１１３１２５１２０６３０１５１７４１１５１１４２４１０２３８１９１１２１４９１６２５１４９３２１２５２２７２０５限速标志的形状是一般圆形的,与其他物体的形状有区别.因此,H o u g h变换用于检测输入７８４第５期㊀㊀㊀㊀㊀㊀㊀张万征,等:基于L e N e tＧ５的卷积神经图像识别算法图像中的圆形[７].在H o u g h 变换算法之前,实现了高斯滤波(标准差为１．２的５ˑ５核)和C a n n y 边缘检测算法[８Ｇ１１].图１显示了前摄像头图像的区域检测的结果.检测阶段排除了尺寸过大或过小或长宽比过大(长矩形)的区域.图１㊀交通标志检测结果F i g ．１㊀T r a f f i c s i gn t e s t r e s u l t s ２．２㊀L e N e t Ｇ５分类C N N 架构将每个检测到区域输入到C N N 模型中.图像的大小调整为１００ˑ１００像素,还具有r gb 像素.换言之,C N N 的输入数据具有１００ˑ１００ˑ３维.输出层设计为２０个节点,其中１８个为所选交通标志的类别数,另一个为其他类型标志的类别数,最后１个节点显示假阳性类输出.图２显示所选交通标志的图像.本文算法基于L e N e t Ｇ５模型,并将一些节点进行修改.在两个卷积层中,使用５ˑ５大小的卷积核,它将输入图像与步长１进行计算.在每个卷积层之后,m a x p o o l i n g 层使用２ˑ２核和步长２对数据进行重采样并减小数据大小.图２㊀识别的主要标志F i g ．２㊀M a i n i d e n t i f i c a t i o n s i gn s 本文通过自动驾驶汽车挡风板上的４摄像头采集了驾驶视频.首先,只训练由简单仿射变换产生的正样本,经过多次检测,收集到了假阳性分类结果.本文将它们设为阴性样本.最后,将训练数据与２５０００个正样本和７８０００个负样本混合,图３显示了样本的示例.图３㊀样本示例F i g ．３㊀S a m p l e e x a m pl e ２．３㊀算法核心流程L e N e t Ｇ５网络只为数字识别设计,传统的L e N e t Ｇ５网络只包含１０个输出[１２].考虑到本文有１８个类型而不是１０个,本文使用了与输出层中轻微修改的L e N e t Ｇ５架构.网络的第一层是可训练的特征e x t a c t o r ,具有特定的约束,例如本地连接和权重共享.卷积层应用卷积核(５ˑ５),子采样层应用核(２ˑ２).输出中的分类层是完全连接的m l p .这些层使用提取的局部特征对输入图像进行分类.本文采用C＋＋㊁C U D A７．５环境开发了T S R 系统.本文使用C a f f e [１３Ｇ１４]深度学习框架,其中包括模块化和高效的计算机操作.训练使用的电脑规格为i ７Ｇ６８２０C P U ,t i t a nx 显卡,１２G BG P U 内存.３㊀实㊀㊀验本文的测试在一段校园道路进行.由于安全原因,校园内交通标志种类繁多,适合对T S R 系统进行测试.在先前的现场测试中,输出节点阈值被调整为０．９５,即如果输入的裁剪图像中的a 类节点的输出值为０．９５,则T S R 系统确定该图像为a 类.在可观察范围内,道路上有１６个交通标志.所有的交通标志在驾驶过程中都被成功识别.图４显示了从输入帧到输出分类结果的整个过程.输入图像来自现场测试视频.如图４的底图所示,人行横道和停车交通标志被划分为安装良好的边界框.在本文的实时处理计算机上,运行平均每秒帧数约为１６．９H z.８８４㊀㊀㊀㊀液晶与显示㊀㊀㊀㊀㊀㊀第３５卷㊀图４㊀系统流程图及识别结果F i g ．４㊀S ys t e mf l o wc h a r t a n d i d e n t i f i c a t i o n r e s u l t s ４㊀结㊀㊀论在基于视觉的A D A S 领域中,大多数研究都是利用静态算法进行的,传统的L e N e t Ｇ５可以高效地进行数字识别,但是由于其模型较为复杂且检测区域过多,因此计算速度较慢,在很多情况下无法满足T S R 系统中对实时判断的要求,本文提出了改进的L e N e t Ｇ５卷积神经网络结构对１８种交通标志图像进行识别.在检测阶段,采用基于颜色的轻量级分割算法和H o u g h 变换算法提取交通标志的目标区域,再利用L e N e t Ｇ５对交通标志进行分类识别.最后通过在校园道路中的交通标志进行实验证明,本文算法可以快速识别出道路中的交通标志,具有稳定高效㊁实时性好的优势.参㊀考㊀文㊀献:[１]㊀吕能超,段至诚,吴超仲．驾驶经验对先进驾驶辅助系统的作用研究[J ]．交通运输系统工程与信息,２０１７,１７(６):４８Ｇ５５．L V NC ,D U A NZC ,WUCZ ．T h e i m p a c t o f d r i v i n g e x p e r i e n c e o n a d v a n c e dd r i v i n g a s s i s t a n t s ys t e m s [J ]．J o u r Ｇn a l o f T r a n s p o r t a t i o nS y s t e m sE n g i n e e r i n g a n dI n f o r m a t i o nT e c h n o l o g y ,２０１７,１７(６):４８Ｇ５５．(i nC h i n e s e )[２]㊀孙涛,张志伟．基于K a l m a n 滤波器的车道保持辅助系统研究[J ]．计算机应用与软件,２０１４,３１(１):５４Ｇ５６,６８．S U N T ,Z HA N G Z W．O nl a n e Ｇk e e p i n g Ｇa s s i s t s y s t e m b a s e do n K a l m a nf i l t e r [J ]．C o m p u t e rA p pl i c a t i o n sa n d ９８４第５期㊀㊀㊀㊀㊀㊀㊀张万征,等:基于L e N e t Ｇ５的卷积神经图像识别算法S o f t w a r e ,２０１４,３１(１):５４Ｇ５６,６８．(i nC h i n e s e )[３]㊀朱双东,张懿,陆晓峰．三角形交通标志的智能检测方法[J ]．中国图象图形学报,２００６,１１(８):１１２７Ｇ１１３１．Z HUSD ,Z HA N G Y ,L U XF ．I n t e l l i g e n t a p p r o a c h f o r t r i a n g l e t r a f f i c s i g nd e t e c t i o n [J ]．J o u r n a l o f I m a g e a n d G r a ph i c s ,２００６,１１(８):１１２７Ｇ１１３１．(i nC h i n e s e )[４]㊀张邯．基于卷积神经网络的交通标志图像识别方法研究[D ]．桂林:广西师范大学,２０１８．Z HA N G H．T r a f f i c s i g n i m a g e r e c o g n i t i o nm e t h o db a s e do n c o n v o l u t i o nn e u r a l n e t w o r k [D ]．G u i l i n :G u a n gx iN o r Ｇm a lU n i v e r s i t y,２０１８．(i nC h i n e s e )[５]㊀L E C U N Y ,B O T T O U L ,B E N G I O Y ,e t a l ．G r a d i e n t Ｇb a s e d l e a r n i n g a p p l i e dt od o c u m e n t r e c o gn i t i o n [J ]．P r o Ｇc e e d i n g s o f th e I E E E ,１９９８,８６(１１):２２７８Ｇ２３２４．[６]㊀吴银花,金龙旭,张柯．应用J m o d e 值单调性的快速P 帧模式选择算法[J ]．液晶与显示,２０１２,２８(２):２６６Ｇ２７２．WU Y H ,J I N L X ,Z HA N G K．F a s tP Ｇf r a m em o d ed e c i s i o na l g o r i t h m u s i n g m o n o t o n i c i t y o f J m o d e [J ]．C h i n e s e J o u r n a l o f L i q u i dC r y s t a l s a n dD i s p l a ys ,２０１２,２８(２):２６６Ｇ２７２．(i nC h i n e s e )[７]㊀代勤,王延杰,韩广良．基于改进H o u gh 变换和透视变换的透视图像矫正[J ]．液晶与显示,２０１２,２７(４):５５２Ｇ５５６．D A IQ ,WA N G YJ ,HA N GL ．P e r s p e c t i v e i m a g e r e c t i f i c a t i o nb a s e do n i m p r o v e dH o u g h t r a n s f o r m a t i o n a n d p e r Ｇs p e c t i v e t r a n s f o r m a t i o n [J ]．C h i n e s eJ o u r n a l o f L i q u i dC r y s t a l sa n d D i s p l a ys ,２０１２,２７(４):５５２Ｇ５５６．(i nC h i Ｇn e s e )[８]㊀钱晓亮,郭雷,余博．基于目标尺度的自适应高斯滤波[J ]．计算机工程与应用,２０１０,４６(１２):１４Ｇ１６,２０．Q I A N XL ,G U O L ,Y U B ．A d a p t i v eG a u s s i a n f i l t e r b a s e do no b j e c t s c a l e [J ]．C o m p u t e rE n g i n e e r i n g a n dA p p l i Ｇc a t i o n s ,２０１０,４６(１２):１４Ｇ１６,２０．(i nC h i n e s e)[９]㊀孟立娜,韩其睿．一种全局和局部相结合的二值化方法研究[J ]．计算机技术与发展,２０１２,２２(１１):１１６Ｇ１１９．M E N GLN ,HA N QR．A n i m p r o v e d b i n a r i z a t i o nm e t h o d c o m b i n e d g l o b a l t h r e s h o l d i n g w i t h l o c a l t h r e s h o l d i n g [J ]．C o m p u t e rT e c h n o l o g y a n dD e v e l o p m e n t ,２０１２,２２(１１):１１６Ｇ１１９．(i nC h i n e s e )[１０]㊀张帆,韩树奎,张立国,等．C a n n y 算法的GP U 并行加速[J ]．中国光学,２０１７,１０(６):７３７Ｇ７４３．Z HA N GF ,HA NSK ,Z HA N GLG ,e t a l ．P a r a l l e l a c c e l e r a t i o no f C a n n y a l go r i t h mb a s e do nG P U [J ]．C h i n e s e O pt i c s ,２０１７,１０(６):７３７Ｇ７４３．(i nC h i n e s e )[１１]㊀芦碧波,扈天卿,刘甜甜．面向线束端子显微图像分割的变指数色度滤波[J ]．光学精密工程,２０１９,２７(８):１８９４Ｇ１９００．L UBB ,HU T Q ,L I U T T．V a r i a b l ee x p o n e n t i a l c h r o m a t i c i t y f i l t e r i n g f o rm i c r o s c o p i c i m a g es e g m e n t a t i o no f w i r eh a r n e s s t e r m i n a l s [J ]．O p t i c s a n dP r e c i s i o nE n g i n e e r i n g ,２０１９,２７(８):１８９４Ｇ１９００．(i nC h i n e s e )[１２]㊀吴阳阳,彭广德,吴相飞．基于L e N e t Ｇ５改进的卷积神经网络图像识别方法[J ]．信息与电脑,２０１８(７):１２７Ｇ１３０．WU YY ,P E N GGD ,WU XF ．A n i m p r o v e d c o n n e t a l n e u r a l n e t w o r k i m a g e r e c o gn i t i o nm e t h o db a s e d o nL e N e t Ｇ５[J ]．C h i n aC o m p u t e r&C o mm u n i c a t i o n ,２０１８(７):１２７Ｇ１３０．(i nC h i n e s e )[１３]㊀李培秀,李致金,韩可,等．基于C a f f e 深度学习框架的标签缺陷检测应用研究[J ]．中国电子科学研究院学报,２０１９,１４(２):１１８Ｇ１２２．L IPX ,L I ZJ ,HA N K ,e t a l ．A p p l i c a t i o n r e s e a r c ho f l a b e l d e f e c t d e t e c t i o nb a s e do nC a f f e d e e p l e a r n i n g f r a m e Ｇw o r k [J ]．J o u r n a l o f C h i n aA c a d e m y o f E l e c t r o n i c sa n dI n f o r m a t i o nT e c h n o l o g y ,２０１９,１４(２):１１８Ｇ１２２．(i n C h i n e s e)[１４]㊀J I A Y Q ,S H E L HAM E R E ,D O N A HU EJ ,e t a l ．C a f f e :c o n v o l u t i o n a l a r c h i t e c t u r e f o r f a s t f e a t u r ee m b e d d i n g[C ]//P r o c e e d i n g s o f t h e ２２n d A C M I n t e r n a t i o n a lC o n fe r e n c eo n M u l t i m e d i a ．O r l a n d o ,F l o r i d a :A C M ,２０１４:６７５Ｇ６７８．作者简介:㊀张万征(１９７８－),男,山东淄博人,学士,高级工程师,２００１年于山东工程学院(现山东理工大学)获得学士学位,主要从事电力物联网㊁电力设备在线监测㊁隐患人工智能识别和智能运维等方面的研究.E Ｇm a i l :Z H w a n z h e n g１０＠１６３．c o m ０９４㊀㊀㊀㊀液晶与显示㊀㊀㊀㊀㊀㊀第３５卷㊀。