61、交通标志识别与低光照视频关键帧提取技术研究

交通标志识别与低光照视频关键帧提取技术研究

交通标志识别：MC - STCNN 模型介绍

传统机器学习方法在交通标志识别上存在一定局限性，而卷积神经网络（CNN）凭借更高的识别准确率，成为了交通标志识别研究的主流方法。不过，CNN 容易受到图像空间多样性的影响，空间变换网络（STN）的出现解决了这一问题。在此基础上，提出了多列空间变换卷积神经网络（MC - STCNN）。

MC - STCNN 模型架构

MC - STCNN 网络由输入层、分配器、多列 ST - CNN 网络、平均层和输出层组成。其工作流程如下：
1. 输入与分配 ：输入的图像经分配器调整为不同大小。
2. 多列 ST - CNN 网络处理 ：不同大小的图像分别输入到多列 ST - CNN 网络中进行训练。
3. 输出整合 ：各 ST - CNN 网络的输出结果求和平均得到最终输出。

单个 ST - CNN 网络的结构如下：
- STN 调整 ：输入图像先由 STN 网络进行调整。
- CTN 特征提取 ：使用 CTN 网络提取颜色特征。CTN 网络由两个卷积核为 1×1 的卷积层组成，分别输出 10 和 3 个特征，激活函数使用 Leaky RELU。
- 特征处理与输出 ：通过多个卷积层提取特征，将特征图展平为一维向量，使用 Dropout 随机失活部分神经元，最后经多个全连接层和 softmax 函数