摘 要

随着科学技术的发展，汽车的数量在急剧的增加，导致交通事故的发生也在快速的增加，因此设计一个辅助驾驶系统已经势在必行，该系统的主要功能是帮助驾驶员快速准确地识别出交通标志，达到提醒驾驶员注意交通标志的目的。

本文的主要研究工作如下：

1. 从电脑摄像头的视频流中分割出交通标志图像。
2. 建立好卷积神经网络，并且找到合适的数据集来训练卷积神经网络，对卷积神经网络不断地修改和调整参数，使其能够对交通标志测试集的识别的准确率达到90%以上。
3. 将视频中分割出来的交通标志图像进过预处理之后使用卷积神经网络对其进行识别分类。

本文设计的交通标志识别系统实现的主要功能是利用图像分割的算法来将摄像头中出现的交通标志分割出来，并且利用卷积神经网络来对其进行检测，最后输出卷积神经网络所检测到的交通标志。

关键词：卷积神经网络，交通标志，卷积层，池化层

Abstract

With the development of science and technology, the number of cars has increased dramatically, resulting in the rapid increase in traffic accidents. Therefore, it is imperative to design an assisted driving system whose main function is to help drivers quickly and accurately. Identify traffic signs to alert the driver to the traffic signs.

The main research work of this paper is as follows:

(1) Segment the traffic sign image from the video stream of the computer camera.

(2) Establish a convolutional neural network and find suitable data sets to train the convolutional neural network. Continuously modify and adjust the parameters of the convolutional neural network so that the recognition accuracy of the traffic sign test set can reach 90 %the above.

(3) The traffic sign images segmented in the video are preprocessed and then classified and classified using a convolutional neural network.

 The main function of the traffic sign recognition system designed in this paper is to use the image segmentation algorithm to segment the traffic signs appearing in the camera, and use the convolutional neural network to detect it, and finally output the convolutional neural network detected by the Traffic signs.

Key words: convolutional neural network traffic sign convolution layer pooled layer

目录

第一章 绪论 1

1.1目的及意义 1

1.2国内外研究现状 1

1.2.1国外研究现状 1

1.2.2国内研究现状 2

1.3论文的主要研究内容 3

第2章 方案总体设计 4

图2.1 设计方案 4

2.1交通标志分割 5

图2.2 交通标志分割 5

2.1.1打开电脑摄像头 6

2.1.2获取电脑摄像头的内容 6

2.1.3转换为HSV通道并且进行颜色过滤 6

2.1.4图像预处理 7

2.1.5剪裁出包含交通标志的区域 9

2.2卷积神经网络 11

2.2.1主要结构 11

2.2.2数据集的选择 12

2.2.3图像预处理 12

2.2.4卷积层 12

2.2.5池化层 14

2.2.6全连接层 14

2.2.7卷积神经网络的训练 15

2.3评价卷积神经网络 16

2.4本章小结 16

第3章 基于卷积神经网络的训练和测试 17

3.1 将训练好的神经网络保存 17

3.2调用保存好的卷积神经网络模型 17

3.2.1调用卷积神经网络模型 17

3.2.2调用卷积神经网络模型注意事项 17

3.3从视频流之中分割出交通标志测试 18

3.4卷积神经网络对于测试集和训练集的的准确率 20

3.4.1训练集 20

3.4.2测试集 20

3.5系统识别交通标志结果 21

3.6本章小结 22

第4章 系统分析 24

4.1算法分析 24

4.2实验结果分析 24

4.3误差性 24

4.4本章小结 25

第5章 总结和展望 26

5.1设计总结 26

5.1.1设计主要成果 26

5.1.2设计的主要缺陷 26

5.2研究展望 26

5.3本章小结 27

参考文献 28

附录1 卷积神经网络训练程序 29

附录2 完整程序 33

致谢 38

第一章 绪论

1.1目的及意义

随着科学技术和经济的飞快发展，汽车已经进入家家户户，然而随着汽车的使用数量的增多，交通事故的发生数量也随着增加，根据2017年世界卫生组织所统计的交通事故的数据显示，每年在全世界因为交通事故而死亡的人数就已经达到了125万,对交通标志不能够及时作出正确的判断是导致交通事故发生的一个重要的原因^[1]。因此，对于驾驶员来说，对交通标志能够快速准确地识别对于实际来说是一件非常重要的事情。

虽然现在道路系统已经比较的完善，并且对于汽车驾驶员也有一定的考核和要求，但是这样始终避免不了汽车驾驶员存在着一些不良的驾驶习惯，正是这些不良的驾驶习惯导致驾驶员不能对道路旁边的交通标志及时做出正确的判断，这对于交通来说是非常危险的，很有可能会因为不能对一些非常重要的交通标志及时作出正确的判断而造成交通事故的发生。驾驶员不能对路边的交通标志及时正确的作出判断有很多的原因，一方面有驾驶员本人的原因，比如司机有不良的驾驶习惯、对突发事件或可预先提醒的事件的反应存在着滞后效应等等。另一个方面，恶劣的天气也会导致驾驶员不能够对交通标志及时作出正确的判断。无论是什么样的原因，司机对交通标志的识别总会受到外界的各种因素的干扰，而这些干扰因素就是导致交通事故发生的罪魁祸首，若能尽力去除这些干扰因素，相信会避免很多由于对交通标志识别不能够准确和及时的识别而发生的交通事故。

随着科学技术的发展，智能化时代已经在不经意之间来到我们的身边，其中，智能交通系统已经在现代的交通道路之上得到了一些运用。现在，如果很多汽车上面能够装载一个智能辅助交通系统，这个系统的主要功能就是能够帮助驾驶员及时正确的识别出交通标志，并且能够在汽车行驶的时候自动启动，对道路旁边的交通标志进行识别，然后把这个信息及时的传递给驾驶员，驾驶员就能够提前按照提示的信息来进行相应合理的操作，就能够使本文的交通更加的安全，当汽车熄火的时候也自动关闭对交通标志的识别，这样也可以避免浪费过多的资源。如果每个汽车上面搭载一个这样的交通标志识别系统，不仅仅使驾驶员能够更加的轻松，更加重要的是这将会极大地避免驾驶员由于不能对交通标志的及时作出正确的判断而导致交通事故的发生。

1.2国内外研究现状

1.2.1国外研究现状

国外对于交通标志识别系统和卷积神经网络的研究很早，早在八十年代初期就已经进行了这个方面的研究，可以看出国外对于智能交通方面的研究是非常的早的，正式这个原因国外对这方面的技术也比较的成熟，所以国外在这个领域的研究是要领先于国内的。

在1987年，日本的学者Akatsuka和lmai就已经设计了一个交通标志的识别系统，这个系统通过阈值和模板分割匹配方法来识别交通标志里面的一部分限速的标志，但是这种方法需要0.5s来识别一副交通标志，而且识别的准确率也不是很理想。

2011年由国际神经网络联合大会（IJCNN）举办了以智能交通系统为基础的德国道路标志识别比赛^[2]。这项比赛是一个基于单帧图像的多类分类挑战赛，这个比赛中包含了5000多张真实场景之中拍摄的交通标志的图片，这项比赛也成功地吸引了来自世界各地的超过20个团队的参加，这项比赛的主要意义在于使先进的机器学习方法得到广泛的应用，同时这项比赛也对交通标志识别技术的发展有的重要的存在意义。

2013年奔驰汽车公司研发了一套防止汽车错误行驶的系统，该系统的主要作用就是在汽车上面安装一个摄像头，这个摄像头的作用是用来实时的识别道路两旁的交通标志，如果车辆有违反交通标志的趋势的话，系统会以声音的形式来提示驾驶员注意行驶^[3]。这套系统是奔驰公司向智能车领域研究中的重要的一步。

2015年的ren等人提出了Faster-RCNN，这个卷积神经网络在之前的神经网络上进行改进的，它的主要区别在于在原先的fast-RCNN的基础之上添加了一个RPN网络，它的主要优点是能够使用卷积运算一次就可以得到卷积特征图像，fast-RCNN是对于原先的fast-RCNN进一步加速，也就是说这个算法更加的快速了^[4]。

更为先进的算法出现了，这个中的新的算法的主要架构是在CNN的基础之上采用随机森林的一种算法，该算法是由Kontschieder等人提出的

在2015年，更为先进的算法出现了，这个中的新的算法的主要架构是在CNN的基础之上采用随机森林的一种较为先进算法，该算法是由Kontschieder等人提出的，使用这个算法的的系统的在公开的数据集MNIST和Imagenet的检测上面有很好的效果。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：