技术领域本发明属于汽车安全辅助驾驶领域，特别涉及到一种路面交通标志识别方法。
背景技术：
路面交通标志识别是汽车安全辅助驾驶系统研究中一项重要的研究内容，是保证汽车安全驾驶、减少交通事故的一种有效途径。目前，路面交通标志识别的方法大致可以分为基于形状的识别方法、基于颜色的识别方法和基于机器学习的识别方法。基于形状的识别方法对视角倾斜的适应能力比较差。基于颜色的识别方法对于外界干扰比较多的环境无法取得令人足够满意的效果。基于机器学习的识别方法主要是应用分类器对目标进行分类，一般有人工神经网络、支持向量机等浅层学习模型。但是，这些方法需要提取目标的显式特征，容易造成重要信息的丢失，环境适应能力比较差；而且，有限的学习深度使其难以在参数和样本巨大的情况下，保证学习结构的效率。相比浅层学习，深度学习能够直接对原始图像进行识别，提取反映数据本质的隐性特征，具有足够的学习深度。卷积神经网络隐式地从训练数据中进行学习，具有局部权值共享的特性，对于环境复杂、多角度变化等情况都具有一定的实时性和鲁棒性。因此，需要设计一种能够精确获取道路场景中路面交通标志的识别方法。
技术实现要素：
为解决现有技术存在的上述问题，本发明要设计一种能够精确获取道路场景中路面交通标志的基于卷积神经网络的路面交通标志识别方法，以便有助于辅助驾驶员在复杂的条件下更好地感知车外环境，预防交通事故的发生。为了实现上述目的，本发明的技术方案如下：一种基于卷积神经网络的路面交通标志识别方法，包括以下步骤：A、图像采集和预处理首先，通过安装在车辆前方的相机采集车辆行驶环境的RGB-D图像，即包含颜色RGB信息的彩色图像和深度Depth信息的深度图像；其次，采用V-视差法从深度图像中检测路面区域，将获取的路面区域作为路面交通标志识别的感兴趣区域；然后，通过计算得到相机的内部参数以及外部参数，对感兴趣区域进行俯视图重构；最后，从俯视图重构的路面区域中提取图像样本，即从图像左下角开始，在横向方向和纵向方向上，每间隔3个像素值，截取像素值大小为64×64的图像样本。B、卷积神经网络结构的设计及训练B1、卷积神经网络结构由9层组成，包括1个输入层、1个输出层、1个全连接层、6个隐含层，隐含层由3层卷积层和3层采样层交替组成。输入层的像素值大小为64×64的图像样本。输出层的神经元个数为5个，分别用于识别车道线、停止线、斑马线、行车方向箭头和限速数字。大小为64×64的图像样本经输入层进入卷积层C1中。卷积层C1有32个大小为56×56的特征图，特征图的每个神经元与输入层中的一个大小为9×9的局部感受野相连接，卷积层C1具有的可训练参数为2624个，连接数为8228864个。采样层S2有32个大小为28×28的特征图，特征图的每个神经元与卷积层C1中的一个大小为2×2的邻域相连，采样层S2具有的可训练参数为64个，连接数为50176个。卷积层C3有64个大小为20×20的特征图，特征图的每个神经元与采样层S2中的一个大小为9×9的局部感受野相连，卷积层C3具有的可训练参数为5248个，连接数为2099200个。采样层S4有64个大小为10×10的特征图，特征图的每个神经元与卷积层C3的一个大小为2×2的邻域相连接，采样层S4具有的可训练参数为128个，连接数为12800个。卷积层C5有96个大小为2×2的特征图，特征图的每个神经元与采样层S4的一个9×9的局部感受野相连，卷积层C5具有的可训练参数为7872个，连接数为31488个。采样层S6有96个大小为1×1的特征图，特征图的每个神经元与卷积层C5的一个大小为2×2的邻域相连接，采样层S6具有的可训练参数为192个，连接数为192个。全连接层F7与采样层S6进行全连接，全连接层F7具有1440个神经元，139680个可训练参数。输出层由径向基函数单元组成。卷积神经网络第l个卷积层中第j个神经元表示为：xjl=f(Σi∈Mjxil-1*wijl+bjl)---(1)]]>式中：f(·)表示卷积层的激活函数，是当前层的输入神经元，w是卷积核，Mj代表输入特征图的一个选择，b代表偏置。其中，上标l∈{1,3,5