基于极限学习机和自适应提升的交通标志识别方法
【技术领域】
[0001] 本发明设及一种计算机视觉与机器学习领域中的图像识别方法，特别是设及一种 基于极限学习机化LM)和自适应提升(AdaBoost)的交通标志识别方法。
【背景技术】
[0002] 交通标志识别系统是智能交通系统的重要组成部分，同时也是汽车辅助驾驶技术 和无人驾驶技术的一个重要模块。由于道路交通环境的复杂性（比如雨雪天气、雾靈天气 等)和交通标志的扭曲、遮挡、变形、污损等原因，使得交通标志的实时自动识别变得异常困 难，容易出现错检、漏检现象，而现如今自然场景下的交通标志识别技术又尚不成熟，需要 进行进一步的深入研究。
[0003] 2008年，Keller等人[1]提出了一种识别算法，针对限速类交通标志，算法首先对 2880张训练样本进行训练，然后对1233张测试样本进行识别，最终得到的识别率为92.4%。 该算法存在两大问题，一是识别的交通标志种类太少仅仅局限于限速类交通标志，二是识 别率低容易出现错检、漏检现象。2010年，Basc0n等人[2]对193类共36000幅交通标志进行 训练和识别，算法采用的是支持向量机(SVM)技术，识别准确率达到95.5%，但该算法所采 用的数据库并没有公开，识别率也不是太高。2011年，Boi等[3]提出了一种基于方向梯度直 方图化0G)特征和SVM的识别算法，该算法分为预处理阶段和训练识别阶段，预处理阶段提 取出训练用交通标志数据库的HOG特征和色调直方图特征，训练识别阶段采用SVM进行训练 和识别，算法最终的识别率为96.89 %，但也同样存在计算复杂度高的问题。2011年， Ciresan和Meier[4]提出了一种基于卷积神经网络和多层感知技术的识别算法。该算法通 过训练多列深层神经网络甚至得到了 99.15%的识别率。但该算法对于多列深层神经网络 的训练时间达到了 50小时，计算复杂度特别高。
[0004] 2004年新加坡南洋理工大学的黄广斌教授[5]提出极限学习机（Extream Learning Machine ,ELM) eELM算法是一种基于单隐层前向反馈神经网络（Single Hidden Layer化ed化rward化ural化tworks，SLFNs)的监督型学习算法。假如输入为N个训练样 本（xi,ti),i = l,2,...,N，其中xi=(xil,xi2，...，xin)TeRn，ti=(til,ti2，...，t化)TeRK，n和k 分别为输入和输出神经元的个数。而标准的SLF化模型为
[0005] ... (1;
[0006] 其中L为隐藏层神经元个数，Wi = (Wil，Wi2, . . .，Win)T为第i个隐藏层神经元与输入 神经元之间的权重向量，βι=(βι1，βι2, . . .，βιΚ)Τ为第i个隐藏神经元与输出神经元之间的权 重向量，bi第i个隐藏神经元的阔值。g(x)为激活函数，本发明中选用的是sigmoidal函数
[0007]
口)
[000引标准的SLF化模型能够做到零误差的逼近N个训练样本，即
[0012] 可进一步简化为
[OOU]地=Τ. (5)
[0014]其中Η为隐藏层神经元的输出矩阵，β为隐藏层神经元与输出神经元之间的输出权 重，Τ为期望输出矩阵，如式(6)和(7)所示
[0017]最终，可求得β的最小范数二乘解
[001引声=巧化 微
[0019] 其中好^为Η的Moore-Penrose广义逆矩阵，且可表示为
[0020] (9)
[0021] 其中，I为与HHT同维数的单位矩阵，C为可设置的常量值。
[0022] 自适应提升(AdaBoost)算法最早由F;riedman[6]提出，是一种自适应增强型学习 算法，能将若干弱分类器提升为分类精度更高的强分类器，几乎可W应用于所有目前流行 的机器学习算法W进一步提升原算法的识别准确度，被广泛应用于二分类和多分类问题 中。其本质思想是对错误分类的样本，通过弱分类器迭代调整使得被错误分类的样本权重 加大，而对于正确分类的样本减小其训练权重，从而加大错误分类样本对弱分类器的影响， 最终减小错误分类率，提升识别率。
[002；3]给定N个训练样本数据X = {(X1,C1) , (X2，C2)，. . .，（XN，CN)}，其中Xi = (Xil，Xi2,…， Xin)Ter为第i个训练样本，且为具有η维特征的矩阵，c功其类标。算法采用Μ个ELM分类器 作为弱分类器，假设ELMm(x)为第m个弱分类器，则AdaBoost算法如下：
[0024] 首先，初始化每一个训练样本的权重Wi=l/N，i = l，2, . . .，N.
[0025] 对于每一个ELM弱分类器ELMm(x)，m=l，2,. . .，M.
[00%] (a)使用弱分类器ELMm(x)训练带有权重wi的训练样本
[0027] (b)计算加权误差
[002引 U0)
[0029]其中，I(x)为二值函数，即
[0030]
[0031] (c)计算第m个弱分类器ELMm(x)的权重 (ID
[0032] 02)
[0033] 其中Κ为交通标志的总类别数。
[0034] (d)根据am更新每一个训练样本的权重wi
[0035] wi=wi · exp(am · I(ci辛ELMm(Xi))). (13)
[0036] (3)进而，得到AdaBoost强分类器的输出为
[00 別
(14)：
[0038] 参考文献
[0039] [1jKeller C G,Sprunk C,Bahlmann C,et al.Real-time recognition of U.S.speed signs[C]//Intelligent Vehicles Symposium,2008 IE邸.I邸E,2008:518- 523。
[0040] [2]Basc6n S M,Rodriguez J A,Arroyo S L,et al.An optimization on pictogram identification for the road-sign recognition task using SVMs[J] .Computer Vision & Image Unders1:anding,2010,114(3):373_383。
[0041] [3]Boi FjGagliardini L.A Support Vector Machines Network For Traffic Sign Recognition[C]//Proceedings of the International Joint Conference on Neural 化tworks.2011:2210-2216。
[0042] [4]Ciresan,Dan,Meier U,Masci J,et al.A committee of neural networks for traffic sign classification[C]//IN INTERNATIONAL JOINT CONFERENCE ON 肥URAL 肥TWO服S.2011:1918-1921。
[0043] [5]Huang G B,Zhu Q Y,Slew C K.Extreme learning machine:a new learning scheme of feedforward neural networks[J].Proc.int. joint Conf.neural Netw, 2004,2:985-990 vol.2。
[0044] [6]Friedman J H.Additive Logistic Regression:a Statistical View of Boosting[J].Annals of Sl:atistics,1998,28(1) :2000。
【发明内容】
[0045] 为克服现有技术的不足，减少需要设置的参数，获得一个很高的识别率。本发明采 用的技术方案是，基于极限学习机和自适应提升的交通标志识别方法，包括训练阶段和识 别阶段；
[0046] 训练阶段:首先提取出交通标志数据库训练样本集中每一张交通标志的方向梯度 直方图HOG特征，然后使用主成分分析PCA方法对提取出的HOG特征进行降维，然后初始化每 一个训练样本的权重，接着用加权处理后的特征作为多个极限学习机ELM弱分类器的输入