基于多示例深度学习与损失函数优化的交通标志识别算法

摘要

为了解决当前交通标志种类繁多和所处环境多变,导致智能识别正确率不高的问题,提出基于多示例深度学习的交通标志识别算法.根据样本图像块与其对应的标签设计一个包含颜色、几何、区域特征的训练集,得到样本特征与标签的对应规律;根据权重修正反馈,推导包与标签的逻辑关系,建立多示例训练学习算子,准确分类交通标志.进行训练集损失函数计算,通过最优分类器响应减少训练数据损失.最后,基于大数据样本驱动形成背景约束,从而去除示例中模棱两可的训练数据,完成交通标志的准确识别.基于QT平台,开发相应的识别软件.实验测试结果显示,与当前交通标志识别技术相比,所提算法拥有更高的识别正确性与鲁棒性,且对各类交通标志具有较高的识别准确率,在智能汽车、自动交通监控等领域具有一定的应用价值.