數(shù)據(jù)集介紹

關于交通標識的數(shù)據(jù)集

一共有４３個類別

１從數(shù)字的每一個類別中隨機抽取一張圖片觀察

可以看到圖片中存在一些因素可能會對我們模型的準確度造成影響。

１圖片有亮有暗，這可能是時間早晚　或者天氣的影響

２凸顯有大有小，這應該是由于攝像頭距離標示牌的遠近不同

３角度視角不同　有的圖片是是傾斜的

４有些圖片很模糊不清晰

５可能會有遮擋

２查看每個類別的數(shù)據(jù)量分布

有的數(shù)據(jù)的量占比較少，我們可以考慮擴充數(shù)據(jù)量的方式來增加數(shù)據(jù)量

3我們對數(shù)據(jù)進行數(shù)據(jù)增強

image_datagen = ImageDataGenerator(rotation_range=15.,
                                       zoom_range=0.2,
                                       width_shift_range=0.1,
                                       height_shift_range=0.1)

這里對每一張圖像　以１５度　來進行旋轉　０．２的隨機縮放　０．１的水平或垂直平移。

查看一下　數(shù)據(jù)增強的結果。

原圖：

數(shù)據(jù)增強結果：

４數(shù)據(jù)預處理

１模型對交通牌的識別　主要是根據(jù)　交通牌的形狀經(jīng)識別的。　我們　這里不考慮色彩。我們在YUV色彩空間上進行圖片的識別訓練。這里只考慮亮度。

２對圖像進行直方圖均值化處理

３均值化歸一化

def get_mean_std_img(X):
    X = np.array([np.expand_dims(cv2.cvtColor(rgb_img, cv2.COLOR_RGB2YUV)[:, :, 0], 2) for rgb_img in X])
    X = np.array([np.expand_dims(cv2.equalizeHist((np.uint8(img))),2)for img in X])
    X = np.float32(X)
    mean_img = np.mean(X, axis=0)
    std_img = (np.std(X, axis=0))
    #+ np.finfo('floar32').eps
    #32wei fudianshu zuixiaozhi
    return mean_img, std_img

def preprocess_features(X, mean_img, std_img):
    # convert from RGB to YUV
    #YUV 亮度 色度 濃度
    X = np.array([np.expand_dims(cv2.cvtColor(rgb_img, cv2.COLOR_RGB2YUV)[:, :, 0], 2) for rgb_img in X])

    #zhifangtujunyunhua
    X = np.array([np.expand_dims(cv2.equalizeHist((np.uint8(img))),2)for img in X])

    X = np.float32(X)

    #standardize features
    X -= mean_img
    X /= std_img
    return X

５網(wǎng)絡模型

http://yann.lecun.com/exdb/publis/pdf/sermanet-ijcnn-11.pdf

這個網(wǎng)絡結構中有２個分支，其中一個分支比另一分支多進行一次卷積操作，之后把兩個特征圖合并。論文中指出這樣做的好處是網(wǎng)絡可以在兩個不同尺度的特征上進行學習。

這樣更利于模型提高準確度。

實現(xiàn)：

def get_model(dropout_rate = 0.0):
    input_shape = (32, 32, 1)

    input = Input(shape=input_shape)
    cv2d_1 = Conv2D(64, (3, 3), padding='same', activation='relu')(input)
    pool_1 = MaxPooling2D(pool_size=(2, 2), strides=(2, 2))(cv2d_1)
    dropout_1 = Dropout(dropout_rate)(pool_1)
    flatten_1 = Flatten()(dropout_1)

    cv2d_2 = Conv2D(64, (3,3), padding='same', activation='relu')(dropout_1)
    pool_2 = MaxPooling2D(pool_size=(2, 2), strides=(2, 2))(cv2d_2)
    cv2d_3 = Conv2D(64, (3,3), padding='same', activation='relu')(pool_2)
    dropout_2 = Dropout(dropout_rate)(cv2d_3)
    flatten_2 = Flatten()(dropout_2)

    concat_1 = concatenate([flatten_1, flatten_2])


    dense_1 = Dense(64, activation='relu')(concat_1)
    output = Dense(43, activation='softmax')(dense_1)
    model = Model(inputs=input, outputs=output)
    # compile model
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    # summarize model
    model.summary()
    return model

６訓練和結果

history = model.fit_generator(image_datagen.flow(x_train, y_train, batch_size=128),
                        steps_per_epoch=5000,
                        validation_data=(x_validation, y_validation),
                        epochs=8,
                        callbacks=callbacks_list,
                        verbose=1)

總結

以上是生活随笔為你收集整理的交通标识牌识别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。