基于深度神经网络的交通标志目标检测识别设计与实现(源码)【字数：14144】
交通标志检测与识别是自动驾驶中一块重要的分支，在道路行驶中，交通标志提示驾驶员进行规定的行驶，提高了驾驶的安全性和高效性，发挥了重要的作用。在深度学习领域中，对交通标志进行单独的检测或分类都取得了不错的成绩，然而很少有工作能同时解决这两个问题并应用到实际生活中。在实际生活中，交通标志所占据的画面比例小，不利于检测、且在满足基本精度的同时也需要更快的处理能力。为了解决这一难题，本文提出了一种基于深度神经网络的交通标志目标检测识别的设计与实现。在论文中将介绍交通标志数据集的特点与制作过程、目标检测神经网络结构的搭建及训练、关于实验结果的分析总结以及所训练的模型的部署和使用等。实验结果表明，该网络在拥有不错的精度的情况下，检测与识别交通标志的速度也大有提升，能够较好地应用在实际生活当中。
Keywords: Image recognition; target detection; deep learning; YOLOv4 目录
一、引言 1
（一）研究背景和意义 1
（二）研究现状 1
（三）主要内容 2
二、样本库建立 3
（一）相关技术 3
1. 卷积神经网络 3
2. OpenCV 7
3. Pytorch 8
4. YOLO 9
（二）准备数据集 11
1. 数据集介绍 11
2. 数据集格式转换 12
三、目标检测与识别模型构建 15
（一）模型设计 15
（二）模型训练 18
（三）模型优化 20
（四）实验 22
四、模型应用 25
（一）模型预测 25
（二）预测结果分析 25
（三） 模型部署 26
五、总结和展望 30
参考文献 31
个人成果和获奖 32
致谢 33
一、引言
（一）研究背景和意义
当前社会的快速发展离不开便利的交通，然而车辆的增加也给交通管理带来了不少麻烦。越来越多规范或辅助驾驶的系统因此而出现。作为智能驾驶必不可少的 *好棒文|www.hbsrm.com +Q: @351916072@
部分，道路交通标志的检测和识别在辅助驾驶和自动驾驶中起着重要的作用。
在我国各种道路中，交通标志的类别共有250类。主要包括警告（警示）标志、禁令（禁止）标志、指示（指挥）标志、旅游区标志和道路标志。交通标志被人们称为“道路语言”。它用简明的文字或符号、醒目的颜色规范交通行为、调节交通流量、疏导交通、提高道路通行效率、预示道路状况，减少交通事故的发生。
因而，正确迅速识别与检测出交通标志显得尤为重要。但市面上针对我国国内交通标志进行检测与识别的系统非常少。因此，针对我国国内缺少对应的交通标志检测与识别系统的情况，本文设计了基于深度神经网络的交通标志检测与识别，能够在国内道路行驶也能准确地识别与检测出交通标志。
（二）研究现状
由高歌[4]等人对道路交通标志检测与识别的研究来看，目前交通标志检测与识别存在许多难点。典型地，这些问题包括：
真实环境下的交通标志受风雨破坏，完整性缺失，给检测造成了困难；
实际应用中摄像头常常不能以最好的视角拍摄交通标志，造成图像的倾斜；
现场场景中干扰物体多影响判断；
判断图像的实时性仍需改进，太长的处理时间将无法达到真实场景的要求；
应提升准确率。
早期仅仅使用机器学习中的SVM[5]基于不同的颜色和形状对交通标志进行训练和分类。但能识别的种类少，局限性大。随着?用于图像检测和识别的卷积神经网络（CNN）[6]被提出后，CNN被广泛应用于图像的分类与识别。虽然在层层卷积的堆叠下，模型的精度提高了不少，但CNN对只占据图像中小比例的物体识别率低，而在真实场景中，交通标志通常只占画面中的一小部分。如2018年Farag W[7] 等人使用CNN网络对德国交通标志数据集（GTSDB）进行训练和识别。虽然取得了95%的精度，但德国交通标志数据集中交通标志所占比例大、数据集数量少，难以反映真实的预测能力。且CNN对图像的识别速度无法满足实际应用中需要的实时性。
对于交通标志的检测与识别，一共分为两步：分别是对物体进行分类和确认物体的位置。本系统选择将分类与定位相结合的目标检测模型进行更高效的判断，因为而传统的方法进行这两步耗时过长。目标检测模型主要分为两大类，一类是二阶检测器如Fast RCNN、Faster RCNN、Mask rcnn等。这类检测器虽然精度高，但速度却慢。对于汽车行驶这种需要快速得到反馈结果的场景优势大减。另一类是一阶检测器如SSD、YOLO等，这类检测器速度快，精度好，适用于实时的交通标志检测与识别。根据文献[8]了解到，作者使用YOLOv2模型、SSD模型、Faster RCNN模型分别对相同的交通标志数据集进行训练。并对结果进行评估，分析出YOLOv2的精度分别优于Faster RCNN 3.5%和SSD 21%。再者，YOLOv2的图像处理速度要比原来的Faster RCNN快3倍。因此本系统选择YOLOv2的改进版YOLOv4模型构建深度神经网络对数据集进行训练和识别。
（三）主要内容
本文设计并实现了交通标志的检测与识别方法，研究内容包括：样本库建立、图像识别模型构建和模型应用。
第一节为引言。首先描述了现如今我国对交通标志检测与识别的需求，重点叙述了国内外的研究现状和需要攻克的难题，对论文内容结构进行了概括。
第二节为样本库建立。首先介绍了深度学习卷积神经网络的基本知识和YOLO目标检测技术的发展历程。接着对交通标志检测与识别所使用的数据集做了介绍，以及选择该数据集的理由。最后详细地写出了制作数据集的过程。
第三节为图像识别模型构建。先介绍了模型的设计结构和具体参数；然后写出了如何对模型进行训练；接着再对模型进行优化；最后评估模型。
Keywords: Image recognition; target detection; deep learning; YOLOv4 目录
一、引言 1
（一）研究背景和意义 1
（二）研究现状 1
（三）主要内容 2
二、样本库建立 3
（一）相关技术 3
1. 卷积神经网络 3
2. OpenCV 7
3. Pytorch 8
4. YOLO 9
（二）准备数据集 11
1. 数据集介绍 11
2. 数据集格式转换 12
三、目标检测与识别模型构建 15
（一）模型设计 15
（二）模型训练 18
（三）模型优化 20
（四）实验 22
四、模型应用 25
（一）模型预测 25
（二）预测结果分析 25
（三） 模型部署 26
五、总结和展望 30
参考文献 31
个人成果和获奖 32
致谢 33
一、引言
（一）研究背景和意义
当前社会的快速发展离不开便利的交通，然而车辆的增加也给交通管理带来了不少麻烦。越来越多规范或辅助驾驶的系统因此而出现。作为智能驾驶必不可少的 *好棒文|www.hbsrm.com +Q: @351916072@
部分，道路交通标志的检测和识别在辅助驾驶和自动驾驶中起着重要的作用。
在我国各种道路中，交通标志的类别共有250类。主要包括警告（警示）标志、禁令（禁止）标志、指示（指挥）标志、旅游区标志和道路标志。交通标志被人们称为“道路语言”。它用简明的文字或符号、醒目的颜色规范交通行为、调节交通流量、疏导交通、提高道路通行效率、预示道路状况，减少交通事故的发生。
因而，正确迅速识别与检测出交通标志显得尤为重要。但市面上针对我国国内交通标志进行检测与识别的系统非常少。因此，针对我国国内缺少对应的交通标志检测与识别系统的情况，本文设计了基于深度神经网络的交通标志检测与识别，能够在国内道路行驶也能准确地识别与检测出交通标志。
（二）研究现状
由高歌[4]等人对道路交通标志检测与识别的研究来看，目前交通标志检测与识别存在许多难点。典型地，这些问题包括：
真实环境下的交通标志受风雨破坏，完整性缺失，给检测造成了困难；
实际应用中摄像头常常不能以最好的视角拍摄交通标志，造成图像的倾斜；
现场场景中干扰物体多影响判断；
判断图像的实时性仍需改进，太长的处理时间将无法达到真实场景的要求；
应提升准确率。
早期仅仅使用机器学习中的SVM[5]基于不同的颜色和形状对交通标志进行训练和分类。但能识别的种类少，局限性大。随着?用于图像检测和识别的卷积神经网络（CNN）[6]被提出后，CNN被广泛应用于图像的分类与识别。虽然在层层卷积的堆叠下，模型的精度提高了不少，但CNN对只占据图像中小比例的物体识别率低，而在真实场景中，交通标志通常只占画面中的一小部分。如2018年Farag W[7] 等人使用CNN网络对德国交通标志数据集（GTSDB）进行训练和识别。虽然取得了95%的精度，但德国交通标志数据集中交通标志所占比例大、数据集数量少，难以反映真实的预测能力。且CNN对图像的识别速度无法满足实际应用中需要的实时性。
对于交通标志的检测与识别，一共分为两步：分别是对物体进行分类和确认物体的位置。本系统选择将分类与定位相结合的目标检测模型进行更高效的判断，因为而传统的方法进行这两步耗时过长。目标检测模型主要分为两大类，一类是二阶检测器如Fast RCNN、Faster RCNN、Mask rcnn等。这类检测器虽然精度高，但速度却慢。对于汽车行驶这种需要快速得到反馈结果的场景优势大减。另一类是一阶检测器如SSD、YOLO等，这类检测器速度快，精度好，适用于实时的交通标志检测与识别。根据文献[8]了解到，作者使用YOLOv2模型、SSD模型、Faster RCNN模型分别对相同的交通标志数据集进行训练。并对结果进行评估，分析出YOLOv2的精度分别优于Faster RCNN 3.5%和SSD 21%。再者，YOLOv2的图像处理速度要比原来的Faster RCNN快3倍。因此本系统选择YOLOv2的改进版YOLOv4模型构建深度神经网络对数据集进行训练和识别。
（三）主要内容
本文设计并实现了交通标志的检测与识别方法，研究内容包括：样本库建立、图像识别模型构建和模型应用。
第一节为引言。首先描述了现如今我国对交通标志检测与识别的需求，重点叙述了国内外的研究现状和需要攻克的难题，对论文内容结构进行了概括。
第二节为样本库建立。首先介绍了深度学习卷积神经网络的基本知识和YOLO目标检测技术的发展历程。接着对交通标志检测与识别所使用的数据集做了介绍，以及选择该数据集的理由。最后详细地写出了制作数据集的过程。
第三节为图像识别模型构建。先介绍了模型的设计结构和具体参数；然后写出了如何对模型进行训练；接着再对模型进行优化；最后评估模型。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/rjgc/226.html
