基于改进LeNet-5网络的交通标志识别方法

针对传统LeNet-5卷积神经网络用于交通标志等多种类识别任务中,存在识别正确率低、网络容易过拟合以及梯度消失等问题进行改进.引入Inception卷积模块组来提取目标丰富的特征,同时增加网络的深度.引入BN(batch normaliza-tion)层对输入批量样本进行规范化处理;同时改用性能更好的Relu激活函数,并使用全局池化层代替全连接层,合理改变卷积核的大小和数目.研究结果表明,改进LeNet-5网络能够有效解决过拟合和梯度消失等问题,具有较好的鲁棒性;网络识别率达到98.5％以上,相比CNN(convolutional neural network)+SVM(support vector machine)提高了约5％,比传统的LeNet-5网络提高了3％.可见,改进后的LeNet-5网络图像识别的准确率得到显著提高.