具有自我學習能力的實時交通信號識別方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種具有自我學習能力的實時交通信號識別方法及系統(tǒng)，其中具有自我學習能力的實時交通信號識別方法，包括將采集的圖像數(shù)據進行檢測，從而得到交通標志圖像的步驟；對上述檢測到的交通標志圖像采用基于降維的方法進行識別的步驟。通過對采集的圖像數(shù)據進行檢測，得到交通標志圖像，并對交通標志圖像進行降維處理，然后與分類庫進行比對，從而得出交通標志圖像的含義，并通過自我學習對降維的映射矩陣進行更新，從而使得交通標記的識別更加準確，而采用的降維方法運行速度快，從而達到了快速準確的識別交通標記的目的。
【專利說明】具有自我學習能力的實時交通信號識別方法及系統(tǒng)

【技術領域】
[0001]本發(fā)明涉及交通標志識別【技術領域】，具體地，涉及一種具有自我學習能力的實時交通信號識別方法及系統(tǒng)。

【背景技術】
[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，必須要解決交通標志的識別問題。另一方面，如果汽車或者車載設備能夠識別交通標志，無疑將降低駕駛員的負擔，帶來更便捷的駕駛體驗，與汽車控制系統(tǒng)聯(lián)動，會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，在計算機系統(tǒng)上，已經提出了一些交通標志識別算法，但是這些成果大部分僅限制在研究和實驗領域，或者只是運行在PC上，并沒有應用于實際的汽車或車載設備中，經過調查分析，認為現(xiàn)有技術面對或存在以下問題:1)缺少合適的環(huán)境圖像采集設備，2)算法識別率低，不能滿足自動識別的需求，3)算法訓練周期長，運行開銷大，無法滿足實時場景。


【發(fā)明內容】

[0004]本發(fā)明的目的在于，針對上述問題，提出一種具有自我學習能力的實時交通信號識別方法及系統(tǒng)，以實現(xiàn)快速準確的識別交通標記的優(yōu)點。
[0005]為實現(xiàn)上述目的，本發(fā)明采用的技術方案是:
[0006]一種具有自我學習能力的實時交通信號識別方法，包括將采集的圖像數(shù)據進行檢測，從而得到交通標志圖像的步驟；
[0007]對上述檢測到的交通標志圖像采用基于降維的方法進行識別的步驟；
[0008]上述基于降維的方法為:將交通標志圖像表示為一個矩陣X，X為高維矩陣，然后將X通過一個線性映射投影到一個低維空間，將X對應的低維空間矩陣表示為Y，則映射關系為:
[0009]Y = XAt,
[0010]其中，A是映射矩陣，是通過訓練得到的，具體為，在初始化階段，訓練庫預先設定樣本為訓練庫，通過預先設定的樣本，得到映射矩陣A，在實際運用中采集到新的交通標志圖像后，將代表新的交通標志圖像的特征矩陣利用A映射到一個低維空間，然后利用分類器將低維映射值與樣本映射值分類，得出新的交通標志圖像屬于哪類，最終得到識別結果，如果識別正確，則不做處理，如果識別錯誤，則將新的交通標志圖像發(fā)送給云端服務器，云端服務器將其加入到訓練庫中，重新訓練得到新的映射矩陣A'，得到A'后，使用網絡將該映射矩陣傳輸?shù)桨惭b在移動終端上的數(shù)據處理模塊，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分類器。
[0012]優(yōu)選的，上述基于降維的識別方法，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:將訓練庫中的交通標志圖像進行分類得到分層圖結構，在不同的層分別構建類內圖和類間圖；
[0015]步驟402:將上述分層圖結構應用到圖嵌入框架下，得到如下目標函數(shù):

【權利要求】
1.一種具有自我學習能力的實時交通信號識別方法，其特征在于，包括將采集的圖像數(shù)據進行檢測，從而得到交通標志圖像的步驟； 對上述檢測到的交通標志圖像采用基于降維的方法進行識別的步驟； 上述基于降維的方法為:將交通標志圖像表示為一個矩陣χ，χ為高維矩陣，然后將X通過一個線性映射投影到一個低維空間，將X對應的低維空間矩陣表示為Y，則映射關系為:Y = XAt, 其中，A是映射矩陣，是通過訓練得到的，具體為，在初始化階段，訓練庫預先設定樣本為訓練庫，通過預先設定的樣本，得到映射矩陣A，在實際運用中采集到新的交通標志圖像后，將代表新的交通標志圖像的特征矩陣利用A映射到一個低維空間，然后利用分類器將低維映射值與樣本映射值分類，得出新的交通標志圖像屬于哪類，最終得到識別結果，如果識別正確，則不做處理，如果識別錯誤，則將新的交通標志圖像發(fā)送給云端服務器，云端服務器將其加入到訓練庫中，重新訓練得到新的映射矩陣A'，得到A'后，使用網絡將該映射矩陣傳輸?shù)桨惭b在移動終端上的數(shù)據處理模塊，使用A'替換AjPA'成為新映射矩陣。
2.根據權利要求1所述的具有自我學習能力的實時交通信號識別方法，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分類器。
3.根據權利要求1或2所述的具有自我學習能力的實時交通信號識別方法，其特征在于，上述基于降維的識別方法，方法為基于稀疏表示的圖嵌入方法。
4.根據權利要求3所述的具有自我學習能力的實時交通信號識別方法，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:將訓練庫中的交通標志圖像進行分類得到分層圖結構，在不同的層分別構建類內圖和類間圖；
步驟402:將上述分層圖結構應用到圖嵌入框架下，得到如下目標函數(shù):
， 其中:y表示低維空間矩陣，X表示采集的樣本集合，Ww表示類內圖的權重矩陣，Wb表示類間圖的權重矩陣，Lw和Lb分別是類內圖和類間圖的拉普拉斯特征矩陣，定義為L = D-W，D是一個對角矩陣，Dii = ∑jWij, 子空間映射矩陣A通過求解如下式得到:
AXtLwXAt = λΑΧ\ΧΑτ， 假設a1;a2，……七為求解上式得到的特征向量，A1, λ2，……Ad為對應的特征值，并且滿足條件λ ^ λ......〈 X d，映射關系表不為: 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，目標函數(shù)定義為:min||y -XAT||22 為了使A滿足稀疏性在目標函數(shù)中加入如下的正則項: min| |A ||2.1,將步驟402中的f轉化為如下公式: min yTLwy s.t.Y Lby = I, 得到最終的目標函數(shù):
其中，ω和擎為平衡參數(shù)，將L對A求導，并令導數(shù)為零，得到A的表達式為:
其中，△是對角矩陣
將得到的A帶入到最終目標函數(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個最小特征值對應的特征向量:
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，直到A和y收斂。
5.根據權利要求4所述的具有自我學習能力的實時交通信號識別方法，其特征在于，所述將檢測的交通標志圖像進行分層得到分層圖結構具體為:采用類內圖和類間圖的方法，所述類內圖:每類數(shù)據進行局部近鄰鏈接，采用k近鄰方法，根據實驗效果，調整參數(shù)k的值，對于有鏈接的邊，賦予權重，權重采用熱核函數(shù)定義，然后每類的權重矩陣，組合起來，為類內圖的權重矩陣Ww ;其中熱核函數(shù)的定義為如果節(jié)點i和j之間存在連接，則設置權值 Wij = exp (-1 I X1-Xj I 12/ σ 2)，否則權值為 O, 所述類間圖:由于交通信號的特殊性，即某幾類信號的相似度很高，存在小類的情況，因此，先對信號進行分類，標記好大類的記號，尋找一類與其他幾類最近的點，進行鏈接，權重矩陣采用熱核函數(shù)定義，然后對于大類之間，選取一大類與其他大類間最近的點進行連接，賦予權重值，獲得類間圖的權重矩陣Wb。
6.根據權利要求5所述的具有自我學習能力的實時交通信號識別方法，其特征在于，上述類內圖的k = 4。
7.一種運行權利要求1至6所述具有自我學習能力的實時交通信號識別方法的系統(tǒng)，其特征在于，包括圖像采集模塊、結果輸出模塊和數(shù)據處理模塊，所述圖像采集模塊采集的數(shù)據經數(shù)據處理模塊處理后通過結果輸出模塊顯示，所述圖像采集模塊和結果輸出模塊采用智能移動終端，所述數(shù)據處理模塊由智能移動終端和云端服務器完成，具體為簡單快速的線性運算由智能移動終端完成，所述線性運算包括特征降維和分類器，訓練過程由云端服務器完成，且云端服務器和智能移動終端雙向通信。
8.根據權利要求7所述的系統(tǒng)，其特征在于，所述智能移動終端為具有攝像頭的智能手機。
【文檔編號】G08G1/0967GK104134364SQ201410363876
【公開日】2014年11月5日 申請日期:2014年7月29日 優(yōu)先權日:2014年7月29日
【發(fā)明者】李晶晶, 魯珂, 謝昌元, 張旭 申請人:電子科技大學