具有自我學(xué)習(xí)能力的實(shí)時(shí)交通信號(hào)識(shí)別方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種具有自我學(xué)習(xí)能力的實(shí)時(shí)交通信號(hào)識(shí)別方法及系統(tǒng)，其中具有自我學(xué)習(xí)能力的實(shí)時(shí)交通信號(hào)識(shí)別方法，包括將采集的圖像數(shù)據(jù)進(jìn)行檢測(cè)，從而得到交通標(biāo)志圖像的步驟；對(duì)上述檢測(cè)到的交通標(biāo)志圖像采用基于降維的方法進(jìn)行識(shí)別的步驟。通過對(duì)采集的圖像數(shù)據(jù)進(jìn)行檢測(cè)，得到交通標(biāo)志圖像，并對(duì)交通標(biāo)志圖像進(jìn)行降維處理，然后與分類庫(kù)進(jìn)行比對(duì)，從而得出交通標(biāo)志圖像的含義，并通過自我學(xué)習(xí)對(duì)降維的映射矩陣進(jìn)行更新，從而使得交通標(biāo)記的識(shí)別更加準(zhǔn)確，而采用的降維方法運(yùn)行速度快，從而達(dá)到了快速準(zhǔn)確的識(shí)別交通標(biāo)記的目的。
【專利說明】具有自我學(xué)習(xí)能力的實(shí)時(shí)交通信號(hào)識(shí)別方法及系統(tǒng)

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及交通標(biāo)志識(shí)別【技術(shù)領(lǐng)域】，具體地，涉及一種具有自我學(xué)習(xí)能力的實(shí)時(shí)交通信號(hào)識(shí)別方法及系統(tǒng)。

【背景技術(shù)】
[0002]隨著Google無人駕駛汽車的發(fā)布，智能交通再一次成為人們熱議的話題，在當(dāng)前的道路交通組織方式下，無人駕駛要融入現(xiàn)有道路交通環(huán)境中，必須要解決交通標(biāo)志的識(shí)別問題。另一方面，如果汽車或者車載設(shè)備能夠識(shí)別交通標(biāo)志，無疑將降低駕駛員的負(fù)擔(dān)，帶來更便捷的駕駛體驗(yàn)，與汽車控制系統(tǒng)聯(lián)動(dòng)，會(huì)帶來更智能的駕駛方式，可以減少交通事故發(fā)生率。
[0003]目前，在計(jì)算機(jī)系統(tǒng)上，已經(jīng)提出了一些交通標(biāo)志識(shí)別算法，但是這些成果大部分僅限制在研究和實(shí)驗(yàn)領(lǐng)域，或者只是運(yùn)行在PC上，并沒有應(yīng)用于實(shí)際的汽車或車載設(shè)備中，經(jīng)過調(diào)查分析，認(rèn)為現(xiàn)有技術(shù)面對(duì)或存在以下問題:1)缺少合適的環(huán)境圖像采集設(shè)備，2)算法識(shí)別率低，不能滿足自動(dòng)識(shí)別的需求，3)算法訓(xùn)練周期長(zhǎng)，運(yùn)行開銷大，無法滿足實(shí)時(shí)場(chǎng)景。


【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于，針對(duì)上述問題，提出一種具有自我學(xué)習(xí)能力的實(shí)時(shí)交通信號(hào)識(shí)別方法及系統(tǒng)，以實(shí)現(xiàn)快速準(zhǔn)確的識(shí)別交通標(biāo)記的優(yōu)點(diǎn)。
[0005]為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是:
[0006]一種具有自我學(xué)習(xí)能力的實(shí)時(shí)交通信號(hào)識(shí)別方法，包括將采集的圖像數(shù)據(jù)進(jìn)行檢測(cè)，從而得到交通標(biāo)志圖像的步驟；
[0007]對(duì)上述檢測(cè)到的交通標(biāo)志圖像采用基于降維的方法進(jìn)行識(shí)別的步驟；
[0008]上述基于降維的方法為:將交通標(biāo)志圖像表示為一個(gè)矩陣X，X為高維矩陣，然后將X通過一個(gè)線性映射投影到一個(gè)低維空間，將X對(duì)應(yīng)的低維空間矩陣表示為Y，則映射關(guān)系為:
[0009]Y = XAt,
[0010]其中，A是映射矩陣，是通過訓(xùn)練得到的，具體為，在初始化階段，訓(xùn)練庫(kù)預(yù)先設(shè)定樣本為訓(xùn)練庫(kù)，通過預(yù)先設(shè)定的樣本，得到映射矩陣A，在實(shí)際運(yùn)用中采集到新的交通標(biāo)志圖像后，將代表新的交通標(biāo)志圖像的特征矩陣?yán)肁映射到一個(gè)低維空間，然后利用分類器將低維映射值與樣本映射值分類，得出新的交通標(biāo)志圖像屬于哪類，最終得到識(shí)別結(jié)果，如果識(shí)別正確，則不做處理，如果識(shí)別錯(cuò)誤，則將新的交通標(biāo)志圖像發(fā)送給云端服務(wù)器，云端服務(wù)器將其加入到訓(xùn)練庫(kù)中，重新訓(xùn)練得到新的映射矩陣A'，得到A'后，使用網(wǎng)絡(luò)將該映射矩陣傳輸?shù)桨惭b在移動(dòng)終端上的數(shù)據(jù)處理模塊，使用A'替換AjPA'成為新映射矩陣。
[0011]優(yōu)選的，上述利用分類器將低維映射值與樣本映射值分類中的分類器至少包括最近鄰分類器和支持向量機(jī)分類器。
[0012]優(yōu)選的，上述基于降維的識(shí)別方法，方法為基于稀疏表示的圖嵌入方法。
[0013]優(yōu)選的，所述基于稀疏表示的圖嵌入方法具體為:
[0014]步驟401:將訓(xùn)練庫(kù)中的交通標(biāo)志圖像進(jìn)行分類得到分層圖結(jié)構(gòu)，在不同的層分別構(gòu)建類內(nèi)圖和類間圖；
[0015]步驟402:將上述分層圖結(jié)構(gòu)應(yīng)用到圖嵌入框架下，得到如下目標(biāo)函數(shù):

【權(quán)利要求】
1.一種具有自我學(xué)習(xí)能力的實(shí)時(shí)交通信號(hào)識(shí)別方法，其特征在于，包括將采集的圖像數(shù)據(jù)進(jìn)行檢測(cè)，從而得到交通標(biāo)志圖像的步驟； 對(duì)上述檢測(cè)到的交通標(biāo)志圖像采用基于降維的方法進(jìn)行識(shí)別的步驟； 上述基于降維的方法為:將交通標(biāo)志圖像表示為一個(gè)矩陣χ，χ為高維矩陣，然后將X通過一個(gè)線性映射投影到一個(gè)低維空間，將X對(duì)應(yīng)的低維空間矩陣表示為Y，則映射關(guān)系為:Y = XAt, 其中，A是映射矩陣，是通過訓(xùn)練得到的，具體為，在初始化階段，訓(xùn)練庫(kù)預(yù)先設(shè)定樣本為訓(xùn)練庫(kù)，通過預(yù)先設(shè)定的樣本，得到映射矩陣A，在實(shí)際運(yùn)用中采集到新的交通標(biāo)志圖像后，將代表新的交通標(biāo)志圖像的特征矩陣?yán)肁映射到一個(gè)低維空間，然后利用分類器將低維映射值與樣本映射值分類，得出新的交通標(biāo)志圖像屬于哪類，最終得到識(shí)別結(jié)果，如果識(shí)別正確，則不做處理，如果識(shí)別錯(cuò)誤，則將新的交通標(biāo)志圖像發(fā)送給云端服務(wù)器，云端服務(wù)器將其加入到訓(xùn)練庫(kù)中，重新訓(xùn)練得到新的映射矩陣A'，得到A'后，使用網(wǎng)絡(luò)將該映射矩陣傳輸?shù)桨惭b在移動(dòng)終端上的數(shù)據(jù)處理模塊，使用A'替換AjPA'成為新映射矩陣。
2.根據(jù)權(quán)利要求1所述的具有自我學(xué)習(xí)能力的實(shí)時(shí)交通信號(hào)識(shí)別方法，其特征在于，上述利用分類器將低維映射值與樣本映射值分類中的分類器至少包括最近鄰分類器和支持向量機(jī)分類器。
3.根據(jù)權(quán)利要求1或2所述的具有自我學(xué)習(xí)能力的實(shí)時(shí)交通信號(hào)識(shí)別方法，其特征在于，上述基于降維的識(shí)別方法，方法為基于稀疏表示的圖嵌入方法。
4.根據(jù)權(quán)利要求3所述的具有自我學(xué)習(xí)能力的實(shí)時(shí)交通信號(hào)識(shí)別方法，其特征在于，所述基于稀疏表示的圖嵌入方法具體為: 步驟401:將訓(xùn)練庫(kù)中的交通標(biāo)志圖像進(jìn)行分類得到分層圖結(jié)構(gòu)，在不同的層分別構(gòu)建類內(nèi)圖和類間圖；
步驟402:將上述分層圖結(jié)構(gòu)應(yīng)用到圖嵌入框架下，得到如下目標(biāo)函數(shù):
， 其中:y表示低維空間矩陣，X表示采集的樣本集合，Ww表示類內(nèi)圖的權(quán)重矩陣，Wb表示類間圖的權(quán)重矩陣，Lw和Lb分別是類內(nèi)圖和類間圖的拉普拉斯特征矩陣，定義為L(zhǎng) = D-W，D是一個(gè)對(duì)角矩陣，Dii = ∑jWij, 子空間映射矩陣A通過求解如下式得到:
AXtLwXAt = λΑΧ\ΧΑτ， 假設(shè)a1;a2，……七為求解上式得到的特征向量，A1, λ2，……Ad為對(duì)應(yīng)的特征值，并且滿足條件λ ^ λ......〈 X d，映射關(guān)系表不為: X — y = XAT, A= Ia1, Ei1,......ad]； 步驟403:引入稀疏表示優(yōu)化步驟402中的圖嵌入； 具體為首先，目標(biāo)函數(shù)定義為:min||y -XAT||22 為了使A滿足稀疏性在目標(biāo)函數(shù)中加入如下的正則項(xiàng): min| |A ||2.1,將步驟402中的f轉(zhuǎn)化為如下公式: min yTLwy s.t.Y Lby = I, 得到最終的目標(biāo)函數(shù):
其中，ω和擎為平衡參數(shù)，將L對(duì)A求導(dǎo)，并令導(dǎo)數(shù)為零，得到A的表達(dá)式為:
其中，△是對(duì)角矩陣
將得到的A帶入到最終目標(biāo)函數(shù)L中，然后用拉格朗日法解最優(yōu)化問題，優(yōu)化解為下式前d個(gè)最小特征值對(duì)應(yīng)的特征向量:
gamma y = λ Lb y， 其中，

使用迭代法來解決此優(yōu)化問題，即首先固定Α，求解y，然后使用得到的I去更新A，如此往復(fù)，直到A和y收斂。
5.根據(jù)權(quán)利要求4所述的具有自我學(xué)習(xí)能力的實(shí)時(shí)交通信號(hào)識(shí)別方法，其特征在于，所述將檢測(cè)的交通標(biāo)志圖像進(jìn)行分層得到分層圖結(jié)構(gòu)具體為:采用類內(nèi)圖和類間圖的方法，所述類內(nèi)圖:每類數(shù)據(jù)進(jìn)行局部近鄰鏈接，采用k近鄰方法，根據(jù)實(shí)驗(yàn)效果，調(diào)整參數(shù)k的值，對(duì)于有鏈接的邊，賦予權(quán)重，權(quán)重采用熱核函數(shù)定義，然后每類的權(quán)重矩陣，組合起來，為類內(nèi)圖的權(quán)重矩陣Ww ;其中熱核函數(shù)的定義為如果節(jié)點(diǎn)i和j之間存在連接，則設(shè)置權(quán)值 Wij = exp (-1 I X1-Xj I 12/ σ 2)，否則權(quán)值為 O, 所述類間圖:由于交通信號(hào)的特殊性，即某幾類信號(hào)的相似度很高，存在小類的情況，因此，先對(duì)信號(hào)進(jìn)行分類，標(biāo)記好大類的記號(hào)，尋找一類與其他幾類最近的點(diǎn)，進(jìn)行鏈接，權(quán)重矩陣采用熱核函數(shù)定義，然后對(duì)于大類之間，選取一大類與其他大類間最近的點(diǎn)進(jìn)行連接，賦予權(quán)重值，獲得類間圖的權(quán)重矩陣Wb。
6.根據(jù)權(quán)利要求5所述的具有自我學(xué)習(xí)能力的實(shí)時(shí)交通信號(hào)識(shí)別方法，其特征在于，上述類內(nèi)圖的k = 4。
7.一種運(yùn)行權(quán)利要求1至6所述具有自我學(xué)習(xí)能力的實(shí)時(shí)交通信號(hào)識(shí)別方法的系統(tǒng)，其特征在于，包括圖像采集模塊、結(jié)果輸出模塊和數(shù)據(jù)處理模塊，所述圖像采集模塊采集的數(shù)據(jù)經(jīng)數(shù)據(jù)處理模塊處理后通過結(jié)果輸出模塊顯示，所述圖像采集模塊和結(jié)果輸出模塊采用智能移動(dòng)終端，所述數(shù)據(jù)處理模塊由智能移動(dòng)終端和云端服務(wù)器完成，具體為簡(jiǎn)單快速的線性運(yùn)算由智能移動(dòng)終端完成，所述線性運(yùn)算包括特征降維和分類器，訓(xùn)練過程由云端服務(wù)器完成，且云端服務(wù)器和智能移動(dòng)終端雙向通信。
8.根據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于，所述智能移動(dòng)終端為具有攝像頭的智能手機(jī)。
【文檔編號(hào)】G08G1/0967GK104134364SQ201410363876
【公開日】2014年11月5日 申請(qǐng)日期:2014年7月29日 優(yōu)先權(quán)日:2014年7月29日
【發(fā)明者】李晶晶, 魯珂, 謝昌元, 張旭 申請(qǐng)人:電子科技大學(xué)