公开(公告)号：CN109886161A

公开(公告)日：2019-06-14

申请号：CN201910092625.8

申请日：2019-01-30

Applicant: 江南大学

Inventor： 狄岚 ,  何锐波 ,  顾雨迪

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06T3/40 ,  G06T5/00

Abstract: 本发明公开了一种基于可能性聚类和卷积神经网络的道路交通标识识别方法，包括以下步骤对图像数据集进行预处理，所述预处理包括归一化操作、数据增强、色彩增强以及使用极大化类间距离的可能性聚类算法与Hu不变矩相结合进行降噪和特征提取，得到训练数据集；构建卷积神经网络模型，并利用所述训练数据集对所述卷积神经网络模型进行充分训练，利用训练后的网络模型对图像进行分类识别。效果：采用归一化与数据增强对数据集进行预先操作使得满足卷积神经网络模型结构对数据集的要求，能够减少了网络模型训练时间并保证了识别的准确率。

公开(公告)号：CN109886161B

公开(公告)日：2023-12-12

申请号：CN201910092625.8

申请日：2019-01-30

Applicant: 江南大学

Inventor： 狄岚 ,  何锐波 ,  顾雨迪

IPC: G06V20/58 ,  G06V10/762 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084 ,  G06V10/30 ,  G06V10/32 ,  G06T3/40 ,  G06T5/00

Abstract: 本发明公开了一种基于可能性聚类和卷积神经网络的道路交通标识识别方法，包括以下步骤对图像数据集进行预处理，所述预处理包括归一化操作、数据增强、色彩增强以及使用极大化类间距离的可能性聚类算法与Hu不变矩相结合进行降噪和特征提取，得到训练数据集；构建卷积神经网络模型，并利用所述训练数据集对所述卷积神经网络模型进行充分训练，利用训练后的网络模型对图像进行分类识别。效果：采用归一化与数据增强对数据集进行预先操作使得满足