1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的快速交通標(biāo)識(shí)牌識(shí)別方法，所述方法包括下列步驟：
(1)依據(jù)實(shí)際場(chǎng)景交通標(biāo)示牌發(fā)生的變化，通過(guò)數(shù)據(jù)增廣交通標(biāo)識(shí)牌的訓(xùn)練集數(shù)據(jù)并得到灰度化和歸一化的數(shù)據(jù)集；
(2)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推薦包含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；
(3)構(gòu)造卷積核大小分比為5*5、3*3、3*3個(gè)像素的FTSR-CNN卷積層；
(4)構(gòu)造FTSR-CNN降采樣層；
(5)構(gòu)造FTSR-CNN全連接層；
(6)設(shè)計(jì)選取FTSR-CNN激活函數(shù)和學(xué)習(xí)率參數(shù)；
(7)加載網(wǎng)絡(luò)模型并初始化網(wǎng)絡(luò)參數(shù)；
(8)輸入待測(cè)試的圖像數(shù)據(jù)，識(shí)別交通標(biāo)示牌。
2.如權(quán)利要求1所述的方法，其特征在于，步驟(1)中，數(shù)據(jù)增廣需通過(guò)仿射變換來(lái)增加樣本的多樣性，提高訓(xùn)練后模型的識(shí)別率和識(shí)別速度，交通標(biāo)識(shí)牌的訓(xùn)練集需貼上標(biāo)簽，并將訓(xùn)練集中的彩色圖片進(jìn)行灰度化和歸一化。
3.如權(quán)利要求1所述的方法，其特征在于，步驟(2)中，F(xiàn)TSR-CNN繼承卷積神經(jīng)網(wǎng)絡(luò)的基本特性，可自主學(xué)習(xí)特征進(jìn)而避免了由于特征復(fù)雜帶來(lái)的提取特征困難；并為了提高識(shí)別效率，在MS-3convs-16-32-48的基礎(chǔ)上選取了多種尺度的小的卷積核，識(shí)別性能進(jìn)一步提升，使得識(shí)別率達(dá)到95.74％，設(shè)計(jì)該網(wǎng)絡(luò)結(jié)構(gòu)的卷積層和降采樣層將特征維數(shù)降低，最終整個(gè)網(wǎng)絡(luò)的識(shí)別速度降低到了5ms以內(nèi)。
4.如權(quán)利要求1所述的方法，其特征在于，步驟(3)中，推薦使用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)。
5.如權(quán)利要求1所述的方法，其特征在于，步驟(4)中，F(xiàn)TSR-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。
6.如權(quán)利要求1所述的方法，其特征在于，步驟(5)中，F(xiàn)TSR-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，對(duì)于單標(biāo)簽分類問(wèn)題，選用Softmax Loss損失函數(shù)。
7.根據(jù)權(quán)利要求1所述方法，其特征在于，步驟(6)中，F(xiàn)TSR-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。
8.根據(jù)權(quán)利要求1所述方法，其特征在于，步驟(7)中，F(xiàn)TSR-CNN選擇較少的輸出特征圖和隱藏神經(jīng)元，提高了識(shí)別效率。