本發(fā)明涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的快速交通標(biāo)識(shí)牌識(shí)別方法，屬于圖像處理技術(shù)領(lǐng)域，可應(yīng)用于交通標(biāo)識(shí)牌的快速識(shí)別。

背景技術(shù)：

交通標(biāo)識(shí)牌作為道路交通中的重要組成部分，用文字或符號(hào)為駕駛員提供引導(dǎo)、指示、警告及限制作用，自動(dòng)識(shí)別交通標(biāo)識(shí)牌是高級(jí)駕駛輔助系統(tǒng)設(shè)計(jì)中不可或缺的一部分。由于交通標(biāo)識(shí)牌種類繁多，應(yīng)用于各種場(chǎng)景，并且隨天氣變化和光照影響使得標(biāo)識(shí)牌圖像對(duì)比度降低；物理?yè)p壞及遮擋影響其固有形狀；高速行駛帶來(lái)的運(yùn)動(dòng)模糊使得交通標(biāo)識(shí)牌的自動(dòng)識(shí)別非常困難。如何快速和準(zhǔn)確地識(shí)別交通標(biāo)識(shí)牌對(duì)設(shè)計(jì)者來(lái)說(shuō)是一個(gè)很大的挑戰(zhàn)。幾種受影響的標(biāo)識(shí)牌如圖2中所示。此發(fā)明基于此應(yīng)用背景，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的快速交通標(biāo)識(shí)牌識(shí)別的方法，該方法是一種深度學(xué)習(xí)方法。

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究。含多隱層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過(guò)組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。過(guò)去幾年，深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域取得了巨大成功。其中，在物體識(shí)別和檢測(cè)、場(chǎng)景分類、圖像分類任務(wù)中取得突破性進(jìn)展，使其適用于圖像處理。

交通標(biāo)志有其規(guī)范性，形狀可分為圓形，三角形和菱形；顏色可分為藍(lán)色，黃色，白色和紅色。它的識(shí)別主要由基于形狀(模板匹配)、基于顏色等方法。圖像中的交通標(biāo)識(shí)牌檢測(cè)流程一般包括創(chuàng)建適用于訓(xùn)練分類器的樣本集，圖像特征提取，訓(xùn)練分類器，利用訓(xùn)練好的分類器進(jìn)行目標(biāo)檢測(cè)識(shí)別。在圖像特征提取方面，傳統(tǒng)方法通常使用方向梯度直方圖(HOG)、局部二值模式(LBP)及Haar等特征提取方法。然而，不同的特征提取方法都有其適用范圍，若脫離其適用范圍，則會(huì)導(dǎo)致分類結(jié)果欠佳，具有局限性。而一般卷積神經(jīng)網(wǎng)絡(luò)替代了以上特征提取方法，其深層結(jié)構(gòu)使其能夠自動(dòng)提取圖像的深度魯棒信息，利于分類器的訓(xùn) 練和最終的目標(biāo)檢測(cè)。但多縱神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)依賴于快速實(shí)現(xiàn)的圖像處理器GPU，算法采用彩色圖作為輸入，每層有上百個(gè)特征圖輸出，網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，使得識(shí)別過(guò)程非常耗時(shí)。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，針對(duì)分類單一問(wèn)題，采用卷積神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)多類目標(biāo)分類，卷積神經(jīng)網(wǎng)絡(luò)算法以原始樣本直接作為網(wǎng)絡(luò)的輸入，通過(guò)大量的樣本自動(dòng)獲取最有利于分類的特征；對(duì)多類交通標(biāo)識(shí)牌在其數(shù)據(jù)集的基礎(chǔ)上通過(guò)仿射變換提高樣本多樣性，在一定程度上提高了識(shí)別率；針對(duì)識(shí)別過(guò)程中對(duì)復(fù)雜的網(wǎng)絡(luò)巨大運(yùn)算量帶來(lái)的耗時(shí)問(wèn)題，選取多種尺度的小的卷積核，并在保證底層特征多樣性的前提下減少網(wǎng)絡(luò)輸出個(gè)數(shù)，通過(guò)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)中激活函數(shù)等因子，提出了一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)FTSR-CNN的快速交通標(biāo)識(shí)牌識(shí)別的方法Fast Traffic Sign Recognition-Convolution Neural Network，簡(jiǎn)稱FTSR-CNN。為此，本發(fā)明采用如下的技術(shù)方案：

第一步驟，將交通標(biāo)識(shí)牌的訓(xùn)練集數(shù)據(jù)增廣并得到灰度化和歸一化的數(shù)據(jù)集；

第二步驟，進(jìn)行FTSR-CNN網(wǎng)絡(luò)結(jié)構(gòu)的整體設(shè)計(jì)，根據(jù)已有數(shù)據(jù)的規(guī)模與特點(diǎn)設(shè)計(jì)FTSR-CNN模型網(wǎng)絡(luò)結(jié)構(gòu)，選擇在MS-3convs-16-32-48基礎(chǔ)上進(jìn)行相應(yīng)改進(jìn)，本方法所構(gòu)建的FTSR-CNN包含3個(gè)卷積層convolution layer，2個(gè)最大值降采樣層max pooling layer和2個(gè)全連接層fully-connected layer；

第三步驟，構(gòu)造卷積核大小分比為5²、3²、3²個(gè)像素的FTSR-CNN卷積層；

第四步驟，構(gòu)造FTSR-CNN降采樣層；

第五步驟，構(gòu)造FTSR-CNN全連接層；

第六步驟，設(shè)計(jì)選取FTSR-CNN激活函數(shù)和學(xué)習(xí)率參數(shù)；

第七步驟，加載網(wǎng)絡(luò)模型并初始化網(wǎng)絡(luò)參數(shù)；

第八步驟，輸入待測(cè)試的圖像數(shù)據(jù)，識(shí)別交通標(biāo)示牌。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

1.滿足多目標(biāo)分類；采用基于卷積神經(jīng)網(wǎng)絡(luò)FTSR-CNN的實(shí)現(xiàn)多類目標(biāo)分類，自動(dòng)獲取最有利于分類的特征。

2.識(shí)別率高；對(duì)多類交通標(biāo)識(shí)牌在其數(shù)據(jù)集的基礎(chǔ)上通過(guò)仿射變換提高樣本多樣性。

3.識(shí)別效率高、速度快；與其他深度學(xué)習(xí)方法相比，本文方法的網(wǎng)絡(luò)結(jié)構(gòu)新穎，計(jì)算速度快，通過(guò)并聯(lián)多個(gè)網(wǎng)絡(luò)模型達(dá)到提高標(biāo)識(shí)牌識(shí)別率的效果；在多數(shù)數(shù)據(jù)集測(cè)試的識(shí)別率能夠保持在95.5％的以上同時(shí)對(duì)交通標(biāo)識(shí)快速準(zhǔn)確地分類，平均識(shí)別耗時(shí)低于識(shí)別率相近的其他方法的1/30。

附圖說(shuō)明

圖1為本發(fā)明的流程圖。

圖2為幾種難以識(shí)別的標(biāo)識(shí)牌示意圖。

圖3為數(shù)據(jù)增廣樣例。

圖4為基本算法框圖。

圖5為FTSR-CNN網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

圖6為inv學(xué)習(xí)率下降方式統(tǒng)計(jì)圖。

具體實(shí)施方式

為使貴審查員能進(jìn)一步了解本發(fā)明的結(jié)構(gòu)、特征及其他目的，現(xiàn)結(jié)合所附較佳實(shí)施例詳細(xì)說(shuō)明如下，所說(shuō)明的較佳實(shí)施例僅用于說(shuō)明本發(fā)明的技術(shù)方案，并非限定本發(fā)明。

本發(fā)明的流程如圖1所示，首先，根據(jù)實(shí)際識(shí)別過(guò)程中的情況，通過(guò)圖像變換得到增廣優(yōu)化后的訓(xùn)練樣本數(shù)據(jù)集；然后，設(shè)計(jì)FTSR-CNN網(wǎng)絡(luò)結(jié)構(gòu)并訓(xùn)練出FTSR-CNN網(wǎng)絡(luò)模型；最后，應(yīng)用該網(wǎng)絡(luò)模型完成交通標(biāo)示牌快速或?qū)崟r(shí)識(shí)別；下面結(jié)合附圖，對(duì)本發(fā)明技術(shù)方案的具體實(shí)施過(guò)程加以說(shuō)明。

1.準(zhǔn)備訓(xùn)練樣本數(shù)據(jù)

1.1數(shù)據(jù)增廣

數(shù)據(jù)集雖然包含了很多標(biāo)識(shí)牌的樣本，但實(shí)際場(chǎng)景中遇到的標(biāo)識(shí)牌會(huì)發(fā)生很多種可能的變化：一定角度的旋轉(zhuǎn)，由于碰撞帶來(lái)的形變等等。想要算法在實(shí)際應(yīng)用中更加具有魯棒性，就需要訓(xùn)練集中盡可能包含所有類型的樣本以幫助FTSR-CNN網(wǎng)絡(luò)完成學(xué)習(xí)。

由于數(shù)據(jù)集很難涵蓋所有類型的樣本，這里通過(guò)仿射變換來(lái)增加樣本的多樣 性。仿射變換是空間直角坐標(biāo)變換的一種，它是一種二維坐標(biāo)到二維坐標(biāo)之間的線性變換，保持二維圖形間的相對(duì)位置關(guān)系不變。結(jié)合實(shí)際場(chǎng)景，交通標(biāo)識(shí)的旋轉(zhuǎn)角度和扭曲程度等控制因子限制在一定范圍內(nèi)，以保證這些變換能夠有效地實(shí)現(xiàn)數(shù)據(jù)增廣，使得用該訓(xùn)練集訓(xùn)練得到的網(wǎng)絡(luò)模型具有識(shí)別率高、識(shí)別速度快的特點(diǎn)。具體情況如下圖3所示。

1.2獲得算法速度優(yōu)化的訓(xùn)練集

將交通標(biāo)識(shí)牌的訓(xùn)練集貼上標(biāo)簽，得到不同數(shù)量的訓(xùn)練集，并將樣本集中的彩色圖片進(jìn)行灰度化，然后將灰度化的圖片歸一化為30*30。

2.構(gòu)造FTSR-CNN識(shí)別網(wǎng)絡(luò)

2.1FTSR-CNN網(wǎng)絡(luò)結(jié)構(gòu)的整體設(shè)計(jì)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Nets，CNN)，簡(jiǎn)稱ConvNets，這是為識(shí)別二維形狀而特殊設(shè)計(jì)的一個(gè)多層感知器，能夠?qū)崿F(xiàn)多層次抽象的數(shù)據(jù)表示。卷積神經(jīng)網(wǎng)絡(luò)作為分類器與傳統(tǒng)分類器的最大區(qū)別為：是否需要手動(dòng)設(shè)計(jì)特征。在傳統(tǒng)的模式識(shí)別中，需要通過(guò)人為設(shè)計(jì)特征從輸入樣本中收集信息再進(jìn)行分類，而CNN是原始圖像作為輸入，從大量的數(shù)據(jù)中去學(xué)習(xí)特征，但人為設(shè)計(jì)特征存在很難適應(yīng)多種類識(shí)別的局限，自主學(xué)習(xí)特征避免了由于特征復(fù)雜帶來(lái)的提取特征困難。Gailei方法可分為兩部分，訓(xùn)練過(guò)程和預(yù)測(cè)過(guò)程，前者用來(lái)計(jì)算網(wǎng)絡(luò)的損失，并反饋調(diào)節(jié)參數(shù)降低網(wǎng)絡(luò)損失，輸出網(wǎng)絡(luò)模型；后者則用生成好的模型測(cè)試圖像預(yù)測(cè)分類結(jié)果。其具體過(guò)程如圖4所示。

網(wǎng)絡(luò)的結(jié)構(gòu)主要有稀疏連接和權(quán)值共享兩個(gè)特點(diǎn)，稀疏連接代替?zhèn)鹘y(tǒng)神經(jīng)網(wǎng)絡(luò)中的全連接，可以很大程度上減少計(jì)算量；權(quán)值共享是在稀疏連接的同時(shí)，圖像上所有的輸入神經(jīng)元將共享一個(gè)卷積核特征提取作用域的權(quán)值。ConvNets的基本結(jié)構(gòu)包括兩部分，其一為特征提取，每個(gè)神經(jīng)元的輸入與前一層的局部接受域相連，并提取該局部的特征，一旦該局部特征被提取后，它與其它特征間的位置關(guān)系也隨之確定下來(lái)；其二是分類，網(wǎng)絡(luò)的每個(gè)計(jì)算層由多個(gè)特征映射組成，每個(gè)特征映射是一個(gè)二維平面，平面上所有神經(jīng)元的權(quán)值共享，最終由全連接層作為分類層計(jì)算特征向量，在監(jiān)督學(xué)習(xí)和反饋機(jī)制調(diào)節(jié)下，模擬人腦神經(jīng)元認(rèn)識(shí)過(guò)程逐步提高對(duì)不同物體的辨識(shí)能力。

結(jié)合卷積神經(jīng)網(wǎng)絡(luò)算法原理，根據(jù)已有數(shù)據(jù)的規(guī)模與特點(diǎn)設(shè)計(jì)FTSR-CNN模型網(wǎng)絡(luò)結(jié)構(gòu)。本方法所構(gòu)建的FTSR-CNN包含3個(gè)卷積層(convolution layer)， 2個(gè)最大值降采樣層(max pooling layer)和2個(gè)全連接層(fully-connected layer)，其網(wǎng)絡(luò)結(jié)構(gòu)表示在圖5。對(duì)該網(wǎng)絡(luò)的設(shè)計(jì)過(guò)程如下闡述。

網(wǎng)絡(luò)設(shè)計(jì)的深度和寬度并非越復(fù)雜越好，當(dāng)模型參數(shù)的規(guī)模大于數(shù)據(jù)集規(guī)模時(shí)，會(huì)出現(xiàn)維數(shù)災(zāi)難，即相當(dāng)于方程組沒(méi)有唯一最優(yōu)解，會(huì)出現(xiàn)過(guò)擬合現(xiàn)象，使網(wǎng)絡(luò)只記住了訓(xùn)練樣本，沒(méi)有學(xué)習(xí)到訓(xùn)練樣本的共性，而且會(huì)增加耗時(shí)；與之相反，當(dāng)模型參數(shù)的規(guī)模小于數(shù)據(jù)集時(shí)，相當(dāng)于對(duì)無(wú)解方程組進(jìn)行求解，容易出現(xiàn)欠擬合，因此只有設(shè)計(jì)合理的網(wǎng)絡(luò)結(jié)構(gòu)，平衡好網(wǎng)絡(luò)深度寬度和樣本數(shù)據(jù)量的關(guān)系才能取得較好的識(shí)別結(jié)果。這里多次試驗(yàn)對(duì)比選出較合理的網(wǎng)絡(luò)結(jié)構(gòu)作為FTSR-CNN模型。

增加網(wǎng)絡(luò)的深度和寬度的確可以增強(qiáng)神經(jīng)網(wǎng)絡(luò)在分類方面的能力，但同時(shí)帶來(lái)計(jì)算量方面的負(fù)擔(dān)需要設(shè)計(jì)者綜合考慮。FTSR-CNN模型權(quán)衡識(shí)別率和效率兩方面因素進(jìn)行設(shè)計(jì)，表1里描述了具有代表性的5種。

表1各網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

SS-2convs-4-8模型代表的是Single Scale卷積核大小不變的單尺度卷積核，兩個(gè)卷積層分別使用4個(gè)和8個(gè)卷積核提取特征，該網(wǎng)絡(luò)在分類時(shí)的性能一般，識(shí)別率在90％左右；SS-2covs-16-32模型增加了卷積核濾波器的個(gè)數(shù)，雖然在一定程度上識(shí)別率有所提高，但效果并不明顯；MS-3convs-4-8-16模型是Multiple Scale采用不同大小的多尺度卷積核濾波器對(duì)圖像滑動(dòng)提取特征，將52的卷積核變換為兩層32的卷積核，不僅能夠增加網(wǎng)絡(luò)的深度，多尺度特征提取有利于提高識(shí)別性能，還能降低網(wǎng)絡(luò)在運(yùn)算時(shí)的壓力，由圖可見(jiàn)網(wǎng)絡(luò)識(shí)別率確有提高；MS-3convs-48-64-128模型使用更多的卷積核濾波提取特征，識(shí)別率的提升速度明顯緩慢，而且計(jì)算較多數(shù)量的特征圖使得識(shí)別效率降低。

FTSR-CNN模型選擇在MS-3convs-16-32-48的基礎(chǔ)上變更卷積核的數(shù)目， 選取了多種尺度的小的卷積核，最終識(shí)別性能進(jìn)一步提升，識(shí)別率達(dá)到95.74％。

2.2構(gòu)造FTSR-CNN卷積層

卷積層是卷積神經(jīng)網(wǎng)絡(luò)算法的核心和功能層，卷積操作的過(guò)程就是特征提取的過(guò)程，每個(gè)卷積核相當(dāng)于一個(gè)濾波器，對(duì)輸入圖像進(jìn)行濾波，得到的響應(yīng)值加上一個(gè)偏置，再通過(guò)一個(gè)非線性激活函數(shù)得到激活值，每個(gè)卷積核通過(guò)“滑動(dòng)窗口”的方式提取出輸入數(shù)據(jù)不同位置的特征，所得結(jié)果為一個(gè)二維特征集合，即特征圖(feature map)。本層的特征圖將作為下一層的輸入繼續(xù)傳播。

通過(guò)訓(xùn)練，卷積核可以提取出某些有意義的特征，例如第一個(gè)卷積層的卷積核可以提取到類似邊緣、角等信息，第二個(gè)卷積核將提取類似邊角自由組合的信息。FTSR-CNN包含3個(gè)卷積層(conv1～conv3)，其卷積核大小(kernel size)分別為52、32、32個(gè)像素。多層結(jié)構(gòu)可以對(duì)輸入對(duì)象逐層抽象，獲得更高層次的分布式特征表達(dá)。

2.3構(gòu)造FTSR-CNN降采樣層

降采樣運(yùn)算是能夠在保留圖像原有特征的基礎(chǔ)上對(duì)圖像進(jìn)行降維，大大降低運(yùn)算量，提高效率，是視覺(jué)領(lǐng)域常見(jiàn)的應(yīng)用。常用的方法有最大值采樣(max pooling)、均值采樣(mean pooling)和隨機(jī)采樣(stochastic pooling)。FTSR-CNN模型使用最大值采樣，在conv1和conv2層的特征圖后，均連接了最大值采樣層。

2.4構(gòu)造FTSR-CNN全連接層

經(jīng)過(guò)卷積層、降采樣層之后的得到的特征圖會(huì)被拉伸成一維特征向量，再作為神經(jīng)元與下一層的全連接層進(jìn)行全連接，相比于卷積層的局部連接方式，全連接層的全連接方式會(huì)帶來(lái)更多的可調(diào)節(jié)網(wǎng)絡(luò)參數(shù)。由于之前的卷積層和降采樣層已經(jīng)將特征維數(shù)降低至可接受的大小，因而這里使用全連接層不會(huì)導(dǎo)致嚴(yán)重的計(jì)算負(fù)擔(dān)。FTSR-CNN模型的最后2層為全連接層(full6，full7)，full6層為包含300個(gè)神經(jīng)元的隱藏層，而full7層為包含43類的Softmax輸出層。

最終的激活值會(huì)經(jīng)過(guò)Softmax函數(shù)映射成概率，即將一組輸出軟性歸一化為一組[0，1]之間且和為1的數(shù)，概率最大的一維即為分類結(jié)果，以K類為例：

其中p_nk表示當(dāng)前概率，表示當(dāng)前概率對(duì)應(yīng)輸出神經(jīng)元的激活值。由此計(jì)算損失函數(shù)，來(lái)表示這個(gè)網(wǎng)絡(luò)的誤識(shí)別程度，對(duì)于單標(biāo)簽分類問(wèn)題，一般選用Softmax損失函數(shù)，損失函數(shù)的值越小，識(shí)別率越高。

2.5設(shè)計(jì)選取FTSR-CNN激活函數(shù)和學(xué)習(xí)率參數(shù)

激活函數(shù)是網(wǎng)絡(luò)的非線性來(lái)源，線性分類器例如SVM有效解決了二分類問(wèn)題，但對(duì)于多分類問(wèn)題，如何準(zhǔn)確分類，一個(gè)重要影響就是數(shù)據(jù)的非線性。傳統(tǒng)激活函數(shù)有sigmoid非線性激活函數(shù)f(x)＝(1+e^-x)^-1和tanh雙曲正切激活函數(shù)f(x)＝tanh(x)，這種被稱為飽和非線性激活函數(shù)，收斂速度較慢，訓(xùn)練過(guò)程中還會(huì)出現(xiàn)梯度消隱，陷入局部最優(yōu)解。

相比傳統(tǒng)的非線性激活函數(shù)，f(x)＝max(0，x)為不飽和非線性激活函數(shù)ReLU，除了收斂速度較快，它的單邊抑制更符合生物學(xué)觀點(diǎn)，可以獲得稀疏表達(dá)，其性能必傳統(tǒng)的激活函數(shù)要好。因此FTSR-CNN模型使用ReLU作為激活函數(shù)，保證網(wǎng)絡(luò)非線性來(lái)源。具體而言，就是在FTSR-CNN模型的full6層后使用ReLU獲取激活值以繼續(xù)前向傳播。

在訓(xùn)練過(guò)程中，通過(guò)梯度下降法極小化損失函數(shù)，使得網(wǎng)絡(luò)中可學(xué)習(xí)的參數(shù)調(diào)節(jié)到最優(yōu)。梯度下降法是沿著梯度相反的方向求解函數(shù)的極小值，即沿(損失函數(shù)E相對(duì)于卷積核權(quán)值w的偏導(dǎo)數(shù))和(損失函數(shù)E相對(duì)于偏置b的偏導(dǎo)數(shù))下降的方向求解損失函數(shù)E的極小值，偏導(dǎo)數(shù)由反向傳播BP算法求解得到。最后通過(guò)梯度下降公式計(jì)算更新后的參數(shù)。公式定義為：

a是學(xué)習(xí)率，學(xué)習(xí)率直接關(guān)系到權(quán)值與偏置的更新幅度，影響收斂速度，具有重要意義。學(xué)習(xí)率有多種下降的方式，常用的學(xué)習(xí)率調(diào)整策略有：固定值fixed、等步長(zhǎng)衰減step和反函數(shù)衰減inv等。FTSR-CNN模型選用inv方式調(diào)整學(xué)習(xí)率，具體變化方式如圖6所示。

其中，base_a為基礎(chǔ)學(xué)習(xí)率，γ為學(xué)習(xí)速率變化因子，iter為迭代次數(shù)，學(xué)習(xí)率將隨迭代次數(shù)按其表達(dá)式變化，表達(dá)式定義如下：

a＝base_a×(1+γ×iter)^(power)

3.訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)FTSR-CNN

由確定FTSR-CNN的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，輸入已經(jīng)優(yōu)化后的訓(xùn)練集數(shù)據(jù)進(jìn)行 相應(yīng)迭代次數(shù)的網(wǎng)絡(luò)訓(xùn)練，輸出網(wǎng)絡(luò)模型。

4.加載網(wǎng)絡(luò)模型并初始化網(wǎng)絡(luò)參數(shù)

在加載網(wǎng)絡(luò)結(jié)構(gòu)配置文件，初始化網(wǎng)絡(luò)結(jié)構(gòu)后，將獲得的網(wǎng)絡(luò)模型加載到識(shí)別模塊中并初始化網(wǎng)絡(luò)參數(shù)。

5.輸入待測(cè)試的圖像數(shù)據(jù)，識(shí)別交通標(biāo)示牌

將待測(cè)圖像數(shù)據(jù)集處理為滿足識(shí)別模型的規(guī)定化圖像，通過(guò)一定的方式輸入，將加載好的FTSR-CNN網(wǎng)絡(luò)模型進(jìn)行交通標(biāo)示牌識(shí)別，獲得的預(yù)測(cè)標(biāo)簽即為識(shí)別結(jié)果。