交通标志检测和识别系统设计

交通标志检测和识别系统的设计 摘要在实际交通路况中，交通标志的检测和辨识是汽车智能化驾驶中的一个重要环节，它在自动驾驶等方面有着举足轻重的地位，是实现智能化驾驶的关键和根本。本文设计了一个交通标志检测和识别的系统。论文重点研究了以下内容。先对于交通标志牌图像的预处理，通过对比三种灰度方式，这里采取加权平均法进行直方图均衡，然后这考虑对比三种滤波方式最终选择高斯滤波去除噪声影响。在研究道路上交通标志牌的检测方法上，因为交通标志牌的颜色特征较为明显，所以从颜色特征方面对交通标志牌的检测展开探索，固本文采用RGB颜色分割交通标志牌的方式进行交通标志牌检测，然后采用对比四种不同算法最终采用canny算子对交通标志牌图片进行腐蚀、膨胀处理。设计出对于需要识别的交通标志牌图像进行图像收集、采用网上数据集、与识别网络模型的损失值训练直到收敛，进行验证。查看运行结果是否符合事实情况。关键词：交通标志检测；交通标志识别；CNN；Canny算子；高斯滤波DesignofTrafficSignDetectionandRecognitionSystem

AbstractIntheactualtrafficconditions,thedetectionandidentificationoftrafficsignsisanimportantlinkintheintelligentdrivingofautomobiles.Itplaysadecisiveroleinautomaticdrivingandotheraspects,andisthekeyandfundamentaltorealizeintelligentdriving.Thisarticledesignsasystemfortrafficsigndetectionandrecognition.Thepaperfocusesonthefollowingcontent.Fortheprepossessingoftrafficsignimages,bycomparingthethreegray-scalemethods,theweightedaveragemethodisadoptedforhistogramequalization,andthentheGaussianfilterisfinallyselectedtoremovethenoiseeffectbyconsideringthecomparisonofthethreefilteringmethods.Inthestudyofthedetectionmethodoftrafficsignsontheroad,consideringthecolorcharacteristicsoftrafficsignsaremoreobvious,thispaperexploresthedetectionoftrafficsignsfromtheaspectofcolorcharacteristics.Inthispaper,theRGBcolorsegmentationoftrafficsignsisusedtodetecttrafficsigns,andthenthefourdifferentalgorithmsarecompared.Finally,thecannyoperatorisusedtoerodeandexpandtheimageoftrafficsigns.Itisdesignedtocollectimagesoftrafficsignsthatneedtobeidentified,useonlinedatasets,andtrainthelossvalueoftheidentificationnetworkmodeluntilconvergenceforverification.Checktoseeiftherunningresultsarerealistic.KeyWords：trafficsigndetection;Trafficsignidentification;CNN；cannyoperator；Gaussianfilter目录TOC\o"1-3"\h\u16960摘要 [29]。(2)对于下采样层的梯度进行计算对下采样层所得到输入图的下采样之后的结果。一般出现了N幅输入图像，也相应的就会出现N幅输出图像，同时输出图像的大小也会出现变化，以下采样程序将如下式显示： xjl=f上式中down()代表为下采样的函数。这个函数将会把原输入图片中每个并不重合的n×n区域都利用采样运算，这将会导致原输出图片在空间的所有角度上都会比原输入图片大小缩小至n倍。因为任何的输入输出图片都有它自身的乘型偏置β加型偏置b和乘型偏置β。对于采样层的反向传播流程中的难点，一般就是统计残差图。这里在算出最大残差图像之后，就仅仅要更新β和b这二种可学习的参数。在通常情况下，采样层的上下二个基本是卷积层，对于卷积层来说也是这样。假设在下采样层之后基本是全连接层，那么它的残差图就能够利用BP算法来进行获得。通常在进行卷积层梯度的步骤中，我们只要求得知产出图像中的每一元素所针对进入图像中那个地域块部分。所以在对于进行的下采样层阶梯步骤中，我们就必须得到残差图里所给出图像中相对于上层的残差图的地域块，如此我们才能够通过公式(4.12)中的δ递推步骤，即将残差图反向传递过来。此外，还必须再乘以进入区域块和输入输出元素相互之间的所连权值，这一连权值实际上即是卷积核的连权值。而以上所述步骤，同样也可通过以下的MATLAB函数公式进行完成： δjl=f正如前面同样，我们也必须通过旋转卷积核使得卷积函数之间实现相互运算。在某些情形下，我们还必须使用MATLAB中的“full”函数实现卷积的计算。这个大小改变可使我能更简单而有效的去分析边界问题，因为在边界区域中，在1+1层的所有输入单元数都将等于n×n的卷积核的大小。而在此状态下，“full”卷积函数系统就会自动地对所有缺失的输入单位去补零。此时，人们就可以对β与B进行梯度运算了。对于加型偏置b的计算结果与之前卷积层的相同，为对残差图中其他元件的求和： ∂E∂β对乘型偏置β来说，因为考虑了在前向传递过程中对采样图像的运算过程，所以这里我们尽量在前向传递运算过程中去保留这些图像，这样在反向传递运算中就不必再进行重复运算了。我们的定义： djl=之后我们再采用式子去计算β的梯度： ∂E∂β4.4实验结果与分析及边界计算实验中采用数据集合为GTSRB数据集，并使用该数据集作为本章交通标志识别试验，以证明本章设计的卷积方法及神经网络模型的可靠性。在训练过程中损失值和正确率之间的演变过程，从图4.2中可得知，损失值在练习前的十个迭代中急剧下降，以后又逐步接近于稳定，最后在网络的收敛状态下损失值接近于零。从图4.3可发现，网络计算正确性在训练前的十个迭代急剧增加，训练以后逐步接近稳定，而在网络收敛状态下正确率逐渐接近一，表明在本章设计的卷积式神经网络模型中对交通标志图形有着不错的辨识效果。图4.2训练过程模型损失变化曲线图4.3训练时模型准确率变化曲线下图为最终界面设计，并最终输出结果：注意行人图4.4最终界面设计

总结与展望总结这次对MATLAB软件使用，我主要选用了MATLAB在软件应用方面进行探入研究，分别对交通标志定位、图像预处理、腐蚀膨胀还有标志识别这几个方面对系统做分析。主要的工作内容如下：1.整理，收集并总结了国内外在交通标志定位、分割还有识别方面的研究成果和发展方向，系统详细介绍了我国交通标志的本质特征，以及标志识别等方面。2.对ColorThresholder中运用点云选取ROI对标志定位后，我们对先图像采取非极大值抑制、求梯度、噪声处理、双阈值检测以及边缘连接，之后又进行腐蚀、膨胀处理，获得标志区域的结果图片。实验表明该方法不仅仅存留标志区域的信息，还降低了噪声的干扰，因而简化了处理过程，提升后面分割的准确精度。3.采用彩色分量的定位方式，通过对于黄色像素点的统计是给车牌为黄色的警告类标志采取定位，实验证实，该方法所得到的标志定位准确率很理想。4.这个设计使用的边缘检测、图像预处理、交通标志颜色特征识别等对标志的定位都十分成功。并对我国的三种颜色红色禁止类、蓝色指示类以及黄色警告类都适用，同时结果较好。在做毕设的过程中，我学习了特征色彩提取法、ColorThresholder工具箱用法、Canny算子边缘检测、卷积神经网络识别及腐蚀膨胀处理，提升了分析问题和解决问题的能力；与此同时还深刻认识到MATLAB软件在作图以及GUI呈现方面的功能强大，使用起来十分方便。所以说，在以后的学习中我会将进一步地学习图像处理的理论知识以及MATLAB在此方面的应用。展望这篇文章只是对现在较为常用的一些方法做出比较深入的研究和运用，并不能很好的覆盖每个方面。由于现如今智能交通对人的日常生活起到的作用不断上升，所以对于交通标志牌识别智能快捷的要求也越来越高，对于高速行驶过程中得到的照片再进一步识别也有了极大挑战，所以对于运动模糊造成的图像影响还有待进一步提高。受限于研究时间与研究能力，本文对交通标志的检测和识别的研究还存在许多不足，有待更进一步的提高和完善。致谢本人的学位论文是在我的导师张喆教师的亲切关怀和悉心指导下完成的。她严肃的科学态度严谨的治学精神精益求精的工风深深地感染和激励着我。从课题的选择到项目的最终完成张喆教师都始终给予我细心的指导和不懈的支持。在此谨向张喆教师致以诚挚的谢意和崇高的敬意。在此我还要感激在一齐愉快的度过大学生活的每个可爱的同学们和尊敬的教师们，正是由于你们的帮忙和支持我才能克服一个一个的困难和疑惑直至本文的顺利完成。在论文即将完成之际我的心境无法平静从开始进入课题到论文的顺利完成，有多少可敬的师长、同学、朋友给了我无言的帮忙在那里请理解我诚挚的谢意!多谢你们!参考文献阮秋琦.数字图像处理学（第二版）[M].J.北京：电子工业出版社，2007.张媛，王坤侠.一种匀速运动模糊图像的模糊方向判断算法[J].科技资讯.2008：32-50.孙君顶，赵珊.图像底层特征提取与检索技术[M].北京：电子工业出版社，2009.杨修铭，刘昆濒，刘昭麟.干扰状况下交通标识侦测及辨识[C].台湾人工智能学会第七届人工智能与应用研讨会论文集.2002：555-560.黄志勇，孙光民，李芳.基于RGB视觉模型的交通标志牌分割[J].微电子学与计算机.2004，21(10)：147-152.N.Kehtarnavaz，N.C.Griwold，D.S.Kang.Stop-signrecognitionbasedoncolor-sharpprocessing[J].MachineVisionandApplication.1993，6(2~3)：206-208.H.X.liu，B.Ran.Vision-basedstopsigndetectionandrecognitionsystemforintelligentvechicle[J].TransportationResearchRecord.2001，1748：161-166.陈智，江锐.浅谈图像匹配研究[J].信息技术.2007，16：103-113.牛毅菲，汪渤，苗常青.图像匹配方法研究[J].制造业自动化.2004，26(9);378-384.章毓晋.图像工程（下册）[M].北京：清华大学出版社，2007.陆晓峰，朱双东.基于BP网络分类器的交通标志识别[J].宁波大学学报(理工版).2007，20(3)：281-284.杨斐，王坤明，马欣，朱双东.应用BP神经网络分类器识别交通标志.计算机工程，2003，29(10)：120-121.NielsenMA.Neuralnetworksanddeeplearning[M].USA：Determinationpress，2015：58-67.Ioffes，SzegedyC.Batchnormalization：Acceleratingdeepnetworktrainingbyreducinginternalcovariateshift[J].arXivpreprintarXiv：1502.03167，2015.杨斌，钟金英．卷积神经网络的研究进展综述[J].南华大学学报(自然科学版)，2016，30(3)：66-72.DubuissonM，JainAK.Amodifyhausdorffdistanceforobjectmatching[J].1994：566-568.BudiRaharjo，NurulFarida，PurwoSubekti，RimaHerlinaSSiburian，PutuDoddyHekaArdana，RobbiRahim.OPTIMIZATIONFORECASTINGUSINGBACK-PROPAGATIONALGORITHM[J].JournalofAppliedEngineeringScience，2021，19(4).ChenYang，YangJiaxiu.DesignofbackpropagationoptimizedNagar-Bardinistructure-basedintervaltype-2fuzzylogicsystemsforfuzzyidentification[J].TransactionsoftheInstituteofMeasurementandControl，2021，43(12).MuratAbdughani,JieRen,LeiWu,etal.2019.SupervisedDeepLearninginHighEnergyPhenomenology:aMiniReview[J].CommunicationsinTheoreticalPhysics,71(8):955-990.QinCai,WangChaowei,WangWeidong,etal.2019.Dynamicpowercontrolforrelay-aidedtransmissionbasedondeepreinforcementlearning[J].TheJournalofChinaUniversitiesofPostsandTelecommunications,3:35-43.Symeonidis,G.;Groumpos,P.P.;Dermatas,E.2019.TrafficLightDetectionandRecognitionUsingImageProcessingandConvolutionNeuralNetworks[J].CommunicationsinComputerandInformationScience,1084:181-190.Upton,Julian.2019.ADeepLearningCurve:KeepingpacewithdataandAI[J].PharmaceuticalExecutive,39(1):14-16.WeiLiu,MengZhu,CongDai,etal.2019.Adeeplearningapproachfordetectingcandidatesofsupernovaremnants[J].ResearchinAstronomyandAstrophysics,19(3):87-98.朱永佳.2018．基于卷积神经网络的交通标志检测与识别研究[D].上海:上海师范大学.崔万豪.智能车交迪标志检测与识别算法研究[D].陕西:西安科技大学2018.金建成.基于深度学习的交通标志识别技术研究[D].杭州电子科技大学，2018.王猛.基于深度学习的交通标志图像识别研究[D].甘肃:兰州理工大学，2018.HiroyukiNodera，NaokoTakamatsu,HirokiYamazaki，etal.Deeplearningforidentificationoffasciculationfrommuscleultrasoundimages[J].NeurologyandClinicalNeuroscience,2019，7(5):267-275.张天允.基于计算机视觉的交通标志检测与识别算法研究[D].湖南:湖南大学，2018.邵南平.自然场景下智能驾驶汽车的交通标志检测与识别[D].四川:西华大学，2018.TristanHascoet，WeihaoZhuang，QuentiFebvre，etal.ReducingtheMemoryCostofTrainingConvolutionalNeuralNetworksbyCPUOffloading[J].JournalofSoftwareEngineeringandApplications，2019，12（08）:307-320.Liu，Changxi，Qian，Depei，Yang，Hailong，etal.T1000:Mitigatingthememoryfootprintofconvolutionneuralnetworkswithdecompositionandre-fusion[J].Futuregenerationscomputersystems:FGCs，2018，84:1-10.YangHaodong，ZhangJun，LiShuohao.AttendItAgain:RecurrentAttentionConvolutionalNeuralNetworkforAct