买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京工业大学申请的专利一种基于深度学习的交通标志识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN111325152B 。

龙图腾网通过国家知识产权局官网在2023-09-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202010105769.5，技术领域涉及：G06V20/58；该发明授权一种基于深度学习的交通标志识别方法是由刘哲;贺国平;杨佳现;陈子豪;刘宇豪设计研发完成，并于2020-02-19向国家知识产权局提交的专利申请。

本一种基于深度学习的交通标志识别方法在说明书摘要公布了：一种基于深度学习的交通标志识别方法属于图像识别领域。包括以下步骤：步骤一、获取交通标志数据集，并对数据集进行预处理。步骤二、构建TSR_ConvNet网络结构进行训练。TSR_ConvNet网络加入改善过拟合的Dropout策略，加入批量归一化层。设计合适的卷积核尺寸。全连接层的softmax分类层采用Label‑smoothing策略。步骤三、将预处理后的交通标志图像输入到TSR_ConvNet网络模型，进行交通标志识别。本发明在保证较高准确率的情况下简化了模型结构，使得模型计算量小从而训练时间大幅减少，具有更好的实用性。

本发明授权一种基于深度学习的交通标志识别方法在权利要求书中公布了：1.一种基于深度学习的交通标志识别方法，其特征在于，包括以下步骤：步骤1、获取交通标志数据集，并将该数据集分为训练集和测试集；然后对交通标志数据集中数据进行预处理，得到经过预处理后的交通标志数据集；步骤1具体包含以下步骤：步骤1.1输入一幅大小为W*H的原始交通标志图像，并设定其尺寸归一化后的目标尺寸为32*32，W为原始图像宽度，H为原始图像的高度，32为目标图像的高度；步骤1.2将尺寸归一化后的交通标志图片进行灰度化处理，由彩色图片转换为灰度图片；步骤1.3通过将图像随机旋转，缩放，移动，剪切或翻转操作，创建一些新的数据来平衡各类交通标志图像的分布；并且采用Randomerasing方法，解决交通标志识别过程中遇到物体遮挡问题；最后通过直方图均衡算法调高图像整体对比度，使交通标志图像更加清晰；步骤2、对卷积神经网络模型的结构进行改进，通过Keras和Tensorflow构建改进后的交通标志识别模型，将训练集样本输入TSR_ConvNet模型，采用mini-batch的反向传播方法进行训练；步骤2具体包含以下步骤：步骤2.1将进行过预处理的训练数据集输入到12层的TSR_ConvNet模型，进行向前传播；即图片特征从输入层向前传播，经过5个卷积层，3个池化层以及2个全连接层，通过输出层得到网络的输出结果；对于l层i单元和l-1层k个单元，其过程如下: 其中w，b是l层的权重和偏差，为l-1层的输入，为第l层的输出；步骤2.2根据负对数似然函数计算预测输出值与实际值之间的误差，通过链式求导法计算各层网络节点的偏导数，然后采用随机梯度下降算法更新权重参数，进行反向传播，直至完成一次迭代；权重更新公式为： 其中，W2，b2为第l层更新后的权重和偏移量；W1，b1为更新前的权重和偏移量；η为学习率，为第l层权重的梯度，为第l层偏移量的梯度；步骤2.3重复进行向前传播和反向传播阶段，直到达到设定的迭代次数10次后或者当loss在3次迭代稳定时调用回调函数，训练终止，此时得到训练好的模型；步骤3、将训练好的卷积神经网络模型导出保存在本地；通过加载训练好的模型对新的交通标志图像进行预测，得到预测结果；所述步骤2具体为：以LeNet-5网络为基础，通过优化CNN结构，调整网络参数，构造了一个深度为12的TSR_ConvNet结构；其中卷积神经网络结构包括1个输入层、1个输出层、2个全连接层、5个卷积层、3个采样层；其中，第一层为输入层：输入图像样本的像素值大小为32×32；第二层为卷积层C1：有32个大小为32×32的特征图，卷积核尺寸为5×5，步长为1像素；第三层为池化层S2：有32个大小为16×16的特征图，卷积核尺寸为2×2；第四、五层分别为卷积层C3、C4：均有64个大小为16×16的特征图，卷积核尺寸为3×3；第六层为池化层S5：64个大小为8×8的特征图，卷积核尺寸为2×2；第七、八层分别为卷积层C6、C7：均有128个大小为8×8的特征图，卷积核尺寸为3×3；第九层为池化层S8：有128个大小为4×4的特征图，卷积核尺寸为2×2；第十层为全连接层F9：神经元个数为512个；第十一层为全连接层F10：神经元个数为258个；第十二层为输出层：输出层的神经元个数为43个，采用softmax函数，分别用于识别43类交通标志；池化层的池化方式采用最大池化方式；卷积层采用ReLU函数的作为激活函数，ReLU函数定义为：fx＝max0,x；0.001作为初始学习率，通过Adam优化器设置动态学习率，使学习率随着迭代次数增加逐渐变小，结合梯度的反向传播算法对该卷积神经网络模型中的参数进行更新；损失函数为负对数似然函数；成本函数定义为当前批次的损失函数的平均值；卷积神经网络训练的过程是通过梯度下降法使代价函数最小化；负对数似然函数由方程组5描述：Lr,y＝-[ylnr+1-yln1-r]5其中r是通过卷积神经网络向前传播获得的每个类别的计算概率，y是每个类别的真实概率,Lr,y为负对数似然函数的输出值；成本函数由方程式67描述： 其中w，b是输出全连接层的权重和偏差，m是迭代次数，r是通过卷积神经网络向前传播获得的每个类别的计算概率，y是每个类别的真实概率，Jw,b为当前批次通过损失函数计算的损失值，jw,b为当前批次损失函数计算的损失值的平均值；为提高模型的泛化能力，解决模型过拟合，采用方法如下：1、在改进模型中的池化层后面增加Dropout层，并设置Dropout率为0.2，在全连接层的每层之间添加Dropout层，并设置Dropout率为0.5；2、在卷积操作形成的特征层添加归一化函数即BatchNormalization层；3、在全连接层的softmax分类层采用Label-smoothing策略；4、当算法在训练过程中loss稳定时算法调用回调函数提前停止训练；其中归一化算法的具体步骤如下：批处理输入交通标志图像数据集：β＝{xi…m}，输出：规范后的网络{yi＝BNγ,βxi}；计算给定数据集的批处理均值和方差： 其中xi为输入的交通标志图像，m为当前批次的大小，μβ为均值，为方差；规范化 其中，ε是避免除数为0时所加的正值，为数据集中每个数据进行归一化后的值，xi为输出的数据集值，μβ为均值，为方差；尺度变化和偏移，然后返回学习到的参数γ和β； 其中，γ是尺度因子；β是平移因子，yi为进行规范化后的输出值；在全连接层中加入Label-smoothingregularization策略；LSR正则化方法是在标签m中加入噪声，实现对模型约束，降低模型过拟合程度；将损失的目标值从1降到0.9以及从0升到0.1；将真实的概率改造为： 其中，ε是一个常数为0～0.1，K是类别的数目，m是图片的真正的标签，i代表第i个类别，qi是图片为第i类的概率。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。