摘 要

随着经济和社会的发展，人们的物质生活和精神生活也在不断地发生着变化，社会经济的繁荣极大提高了汽车的普及率，随之而来引起的交通事故的数量也一直居高不下。所以，关于汽车安全性的驾驶员辅助系统越来越受到人们的重视，这一系统可以有效提高道路交通安全，交通标志识别作为近年来无人驾驶汽车研究和发展的关键技术之一，因此，研究是十分有必要的。

本文在分析了交通标志识别国内外的研究现状后，决定通过使用德国交通标志数据集中的数据进行一系列的预处理，包括将图像灰度化，直方图均衡化，最后图像进行归一化，得到了高质量的数据集图像。详细分析卷积神经网络结构、特点以及相关参数后，提出了本文中对交通标志进行识别的卷积神经网络模型对数据集进行训练，最终经过实验的分析和不断调试参数后，最终得到99.6%的准确率，并且可以对摄像头获取到的图像进行快速识别。

关键词：交通标志识别；卷积神经网络；图像处理；TensorFlow

Abstract

With the economic and social development, people's material and spiritual life is also constantly changing, the social and economic prosperity has greatly increased the popularity of the automobile, and the number of traffic accidents caused by it has been high. Therefore, the driver assistance system on car safety is getting more and more attention, this system can effectively improve road traffic safety, traffic sign recognition as one of the key technologies of driverless car research and development in recent years, the value of research is also self-evident.

In this paper, after analyzing the current state of research on traffic sign recognition at China and abroad, it was decided to perform a series of pre-processing on the German Traffic Sign Recognition Bank data, including graying the images, equalizing the histograms, and finally normalizing the images to obtain a high-quality image of the dataset. After detailed analysis of the structure, characteristics and relevant parameters of the convolutional neural network, the convolutional neural network model for traffic sign recognition in this paper is proposed to train the dataset, and after experimental analysis and continuous parameter debugging, the accuracy rate of 99.6% is finally obtained, and the images obtained by the camera can be quickly recognized.

Key Words：Traffic Sign Recognition；Convolutional neural network；Image processing；TensorFlow

目 录

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 2

1.3 论文主要内容 2

第2章 交通标志识别相关理论 4

2.1 数据集介绍 4

2.2 交通标志识别方法介绍 6

第3章 图像预处理 9

3.1 图像裁剪 9

3.2 图像灰度化 9

3.3 直方图均衡化 11

3.4 图像归一化 12

第4章 交通标志识别算法 13

4.1 卷积神经网络基本概念 13

4.2 卷积神经网络结构 13

4.2.1 输入层 14

4.2.2 卷积层 14

4.2.3 池化层 15

4.2.4 激活函数层 16

4.2.5 全连接层 16

4.2.6 输出层 17

4.3 卷积神经网络特点 17

4.3.1 权值共享 18

4.3.2 稀疏连接 18

4.3.3 池化 18

4.4 卷积神经网络参数设置 18

4.4.1 权重初始化 19

4.4.2 激活函数 19

第5章 交通标志识别训练和检测 20

5.1 环境搭建 20

5.2 代码实现 20

5.3 训练结果分析 22

5.4 交通标志检测及分析 23

第6章 总结和展望 26

参考文献 27

致谢 28

1. 绪论
   1. 研究背景及意义

近年来，随着社会经济条件的发展，人们对汽车的需求逐年增加。 随着汽车的不断增加，一方面在为人们提供出行提供舒适和便利的环境，另一方面也给道路交通带来了堵塞，道路安全问题变得更加引人关注，根据国家交通部的相关统计，我国每年发生的道路交通事故多达上百万起。我国每年因交通事故死亡人数高居世界第二，由此引发的财产损失和人员伤亡不计其数，给家庭和社会都带来了巨大的痛苦和损失。

为了安全有效的解决上述问题，提高交通运输效率，避免交通事故的发生，世界各国都在大力出台相关的政策和法规。现在采用的各种政策例如限号，道路拓宽都有一定的局限性。因此，智能交通系统（Intelligent Traffic System, ITS）应运而生，成为了世界各国大力发展的重点^[1]。ITS包括了各种车辆的管理系统、交通信息监管系统、机动车控制系统等多个子系统。通过数字通信技术^[4]、环境感知技术、图像处理技术等等实现了任何角度的精确的实时的交通管理。交通标识检测与识别系统是该系统中中重要的一部分，道路交通标志是十分关键的道路交通设施，其中涵盖了道路上的各种信息，例如限制速度，标牌指示等^[2]。如果可以及时地将交通标志所要表示的交通信息传给驾驶人和道路控制系统，有助于增强道路交通安全，提升交通运输效率。从上个世纪70年代开始，就已经有许多的研究者开始研究这方面的内容。道路交通标志识别也主要是体现辅助驾驶和无人驾驶这两个方面。

在无人驾驶当中，这个世纪以来，已经有一些大公司例如Google，百度开始研究无人驾驶^[6]，并且也取得了相当大的进展。通过利用无人车上的摄像头系统采集实时的路况信息，及时识别出交通标志表达的含义和位置^[15]，并迅速传给控制系统中心，然后控制系统根据获取到的信息进行决策，自动选择驾驶行为，保证无人车安全的按照交通规则行驶。在辅助驾驶当中，交通标志识别系统可以实时地将驾驶人视野范围中的交通标志通过车载摄像头进行识别^[12]，并且及时的传递给驾驶员，指导他们做出合理正确的决策，保证驾驶员拥有足够的时间来应对各种交通状况^[8]。减轻驾驶压力，预防道路拥挤，降低交通事故发生概率，减少经济和人身损失。