摘 要

本文主要研究了如何进行城市道路交通标志的检测与识别。首先学习传统数字图像处理方法与最新的深度学习卷积神经网络的知识，了解二者的优势后选择了深度学习的方法来完成了检测与识别的任务。

在识别方面，以用谷歌的TensorFlow框架中的高级API构建了识别模型。成功地对38类交通标志进行了训练，其在验证集上的准确率达到了70%左右。为了提升识别的准确率，引入了迁移学习的方法,分别在InceptionV3,Resnet,VGG19等网络上对数据集进行了训练，成功的将准确率提升到了90%以上。

在检测方面，首先挑选了数千张道路交通标志图片并进行了标注，经过对多个检测网络的学习与比较，最后选择了SSD目标检测网络，并成功在Google Colaboratory上实现了对交通标志的检测任务。

关键词：卷积神经网络；迁移学习；SSD目标检测网络；深度学习

Abstract

This article is aimed to study how to detect and recognize urban road traffic signs. It is important to learn the knowledge of traditional digital image processing methods and the latest deep learning convolutional neural network . After understanding the advantages of the two, I chose the method of deep learning to complete the detection and recognition tasks.

In terms of recognition, initially I built a multi-layer convolutional neural network on the TensorFlow framework to train 38 types of traffic signs, and its accuracy on the verification set reached about 70%. What’s more, I apply transfer learning to develop the performance of recognition. The data sets were trained on InceptionV3, Resnet, VGG19 and other networks, and the accuracy was successfully increased to more than 90%.

In terms of detection, we first selected thousands of road traffic sign pictures for annotation, after learning and comparing multiple detection networks, and finally selected the SSD to complete the mission. Finally, I successfully implemented the task otraffic signs on Google Co-laboratory.

Keywords: convolutional neural network; transfer learning; SSD target detection network; deep learning

目录

第1章 绪论 1

1.1研究背景与意义 1

1.2本文所用科学技术术语 1

1.3国内外研究现状 3

1.3.1 TSR研究现状 3

1.3.2 Object Recogniton研究现状 4

1.3.3 Object Detection研究现状 4

1.4本文主要工作 6

第2章 卷积神经网络基础 7

2.1 Activation Function 7

2.1.1 ReLU 7

2.1.2 SoftMax 7

2.2卷积层Conv2D 8

2.3池化层 8

2.3.1 Max Pooling 8

2.3.2 SPP(Spatial Pyramid Pooling) 8

2.4 BatchNormalization 9

2.4 Fully Connected Layers 9

2.5 Dropout 10

2.6损失函数 10

2.7优化器 11

2.7.1 Batch Gradient Descent 11

2.7.2 Stochastic Gradient Descent 11

2.7.3 Mini-batch Gradient Descent 11

2.7.4 Momentum 12

2.7.5 RMSprop 12

2.7.6 Adam 12

2.8Evaluation Metric 13

第3章 交通标志的识别 14

3.1数据集 14

3.2基于CNN的识别模型 14

3.2.1模型Work2.0介绍 14

3.2.2 模型训练结果 16

3.3迁移学习 17

3.3.1迁移学习的概念 17

3.3.2 VGG19简介及其结果 17

3.3.3InceptionV3简介及其结果 20

3.3.4ResNet简介及其结果 22

第4章 交通标志的检测 25

4.1TSDD 25

4.1.1自制数据集简介 25

4.1.2 标注文件信息 25

4.2SSD(Single Shot MultiBox Detector) 26

4.2.1网络实现环境：Pytorchamp;Colab 26

4.2.2SSD简介及其结果评估 27

4.2.3实践交通标志检测 28

第5章 总结 29

参考文献 30

附录 32

致谢 33

第1章 绪论

1.1研究背景与意义

随着近年来5G通信技术，边缘计算，云端计算等技术的兴起，高清地图的逐步完善，AI计算芯片领域群雄并起并且应用成熟，当时困扰应用落地的硬件条件不再是束缚。无人驾驶汽车技术在时代的大潮下一展鸿图。

最近几年，自动驾驶技术大规模应用计算机视觉等技术感测环境,比如通过目标检测技术对道路上行人，交通标志，红绿灯，汽车进行自动的检测标注；进一步的则使用语义分割技术来从像素级别对道路上的事物进行分类，同时对类中实例进行标注。由此可知交通标志的检测与识别是自动驾驶技术中重要的一部分，随着新基建的大潮在国内的崛起，在这方面进行研究与探索推动技术进步，是实现智慧城市，智慧生活的重要技术基础。

1.2本文所用科学技术术语

本文所使用的专业名词术语及其缩写见表1.1，部分专业术语没有习惯的缩写形式与约定俗成的中文译名。

表1.1

1.3国内外研究现状

1.3.1 TSR研究现状

TSR（交通标志识别系统）为驾驶员或者自动驾驶系统提供了关于道路非常有价值的信息，从而是驾驶更加的快捷与安全^[1]。TSR涵盖了两个重要的任务。1.交通标志检测：模型需要在图片数据中准确的定位交通标志的位置；2.交通标志分类：将检测标志的标签处理为特定交通标志的类别。