智能网联汽车环境感知技术 课件 单元5-5+交通标志识别

单元5-5交通标志识别CATALOGUE目录5.5.1交通标志识别的目的5.5.2交通标志识别的流程5.5.3交通标志识别的方法5.5.4交通标志分类实例015.5.1交通标志识别的目的5.5.1交通标志识别的目的限速识别预警系统的应用限速识别预警系统是交通标志识别的典型应用，它通过视觉传感器探测限速标志，并在组合仪表上显示限制车速，帮助驾驶员遵守限速规定。交通标志在安全中的作用道路交通标志对驾驶员具有引导和约束作用，帮助驾驶员获取正确的交通标志信息，确保行车安全，对于无人驾驶汽车，准确传递交通标志信息至自动驾驶系统是保障汽车安全行驶的关键。交通标志识别的目的为了保障汽车安全行驶，道路上布置了各种交通标志，而交通标志识别是利用视觉传感器探测限速标志，确保驾驶员遵守限制车速。030201025.5.2交通标志识别的流程图像采集图像采集是利用摄像头捕捉带有交通标志的彩色图像，模拟信号需要转换为数字信号，并以特定格式存储数字图像。图像采集的重要性图像采集是交通标志识别的第一步，它为后续的图像预处理、分割和识别提供了基础数据。（1）图像采集图像预处理包含的内容较多，要根据具体实际情况进行选择，如图像灰度化、图像压缩以及图像增强与复原等。图像预处理的选择图像灰度化、压缩、增强和复原的目的分别是简化图像、减少数据量、提高图像质量和去除噪声。图像预处理的目的（2）图像预处理（3）图像分割图像分割的方法图像分割方法主要有阈值分割法、区域分割法、边缘分割法以及特定理论分割法等，这些方法可以有效地将图像中的目标区域提取出来。图像分割的目的图像分割的目的是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣的目标，是图像处理和图像分析的关键步骤之一。图像特征提取基于图像分割的结果，提取边缘特征、幅度特征、直观性特征、统计特征、几何特征和变换系数特征。特征计算与分类（4）图像特征提取对提取的特征进行计算、测量和分类，以便计算机根据特征值进行图像分类和识别。0102交通标志识别方法根据图像特征提取的结果，选择合适的识别方法对特定的交通标志进行识别。识别方法的应用识别方法可以基于模板匹配、神经网络、支持向量机等方法来实现，应用于实际的交通标志识别系统中。（5）交通标志识别035.5.3交通标志识别的方法实时性和准确性相比传统方法，深度学习检测算法在实时性和准确性方面有显著优势，能够更好地满足实际交通中的应用需求。传统检测方法交通标志检测的传统方法包括图像匹配、形状识别和颜色分割，它们依赖于手工设计的特征提取器。深度学习检测方法基于深度学习的检测方法利用卷积神经网络（CNN）自动学习图像特征，通过卷积、池化等操作提取交通标志的有效信息。单级和双级检测单级方法直接从输入图像生成输出，而双级在特征预选后进行匹配，其中预选框的引入提高了检测的准确率。5.5.3交通标志识别的方法045.5.4交通标志分类实例在搭建深度学习模型时，我们使用了tensorflow=2.8作为深度学习框架，同时借助了pandas,numpy,matplotlib等库的支持。配置环境确保您的开发环境中已安装了对应版本的tensorflow、pandas、numpy和matplotlib，以便能够顺利运行并实现相关的深度学习功能。配置要求环境配置导入包和模块包和模块的作用在任务中用它来读取标注的csv文件夹；Matplotlib在这个任务中用于显示图片。导入包和模块需要载入tensorflow,pandas,numpy,matplotlib,os模块。其中Tensorflow是深度学习常用的第三方库，pandas用于数据分析任务。数据清洗图像预处理通过tensorflow图片生成器把图片每个像素点的值除以255，把他们缩小到0-1的范围，通过剪切、旋转、水平翻转进行数据增强。图像尺寸统一在导入图片时把图片统一成同一个尺寸，把所有图片变成长度100个像素点，宽度50个像素点的大小一致的图片，共有3359张图片，58种不同类别。数据清洗把交通灯的图片放到文件夹，设置训练图片为'/traffic_light_images/training'，包含58个子文件夹分类存储不同类型的交通标志。030201模型构建我们用神经卷积层作为模型的第一层，输入维度是100，50，3，3是因为输入的图片是彩色图片。数据处理我们将多维的数据一维化，最后我们设置输出层，输出层我们需要设置units，指类别的数目。建立模型编译模型模型评估标准选择准确度accuracy作为模型的评估方式，以评估模型对交通标志分类任务的性能。损失函数选择由于我们的任务是对交通标志进行分类，因此因变量是类别数据，所以损失函数应选择categoricalcrossentropy。训练模型利用train_generator训练数据和指定的训练次数（epochs）来训练模型，经过5次训练后模型在训练集上的表现为损失=0.4326，准确度=87.76%。训练模型测试结果模型预测的结果与实际类别完全一致，准确率达到了100%。第一张图片被准确识别为环岛行驶，第二张图片被识别为向左急转弯。载入标注文件按