论文总字数：18754字

摘 要

随着国家经济的快速进步，道路交通快速发展，带来了越来越多的道路交通安全隐患。加之近些年来，智能驾驶走上历史舞台，交通标志识别作为智能交通的一部分，也逐渐成为智能交通安全系统中比较重要的一个研究方向，因此受到了越来越多的关注。如果能够出现一个帮助人们高效智能地去识别交通标志的系统，那么就可以减少交通事故的发生。

传统的人工管理办法费事费力，而传统交通标志识别算法又在实时性和准确率的平衡性上无法达到理想情况。因此本文结合了准确率和实时性两个最为重要的方面，实现了基于YOLOv3算法的交通标志识别系统。YOLOv3是目前一种快速稳健的卷积神经网络，以darknet53为主干网络并使用了残差网络，在保证准确率的前提下，大大提高了算法的快速性。并且通过仿真实验对该算法进行验证，对三类主要交通标志实现了、即高效又准确的识别功能。

关键词：交通标志；卷积神经网络；YOLOv3；

Abstract

With the rapid development of the national economy, the rapid development of road traffic poses more and more risks to road safety. In addition, in recent years, intelligent driving has entered a historic phase. road signs, which is an integral part of intelligent traffic, has gradually become a more important focus of research in intelligent road safety systems, which has attracted increasing attention. Traffic accidents can be reduced if a A system capable of helping people to identify traffic signs efficiently and intelligently is in place.

Traditional methods of manual management require a lot of time and traditional algorithms for identifying traffic marks do not allow the desired effect to be obtained in real time and with precision. Thus, this document implements a system of road signal identification based on the yolov3 algorithm, combining the most important aspects of accuracy and timeliness. Yolov3 is a fast and robust volumetric nervous network. It uses darknet53 as the basic network and the residual network. The speed of the algorithm is considerably increased to guarantee accuracy. And the algorithm has been validated using a simulation experiment, which has made it possible to obtain three main types of road signaling, namely a traffic light function. effective and precise identification.

Keywords: traffic sign; convolutional neural network; YOLOv3;

目 录

摘要 I

Abstract II

第一章 绪论 1

1.1 课题的研究背景及意义 1

1.2 国外研究现状 2

1.3 国内研究现状 3

1.4本章小结 3

第二章 交通标志识别算法分析 4

2.1 数据集分析 4

2.1.1 交通标志特点及分类 4

2.1.2 数据集的选择及处理 4

2.2 构建网络模型的方案选择 5

2.2.1 YOLOv3的选择理由 5

2.2.2 YOLOv3算法的基本思想 6

2.2.3 卷积神经网络 8

2.2.4 BP算法 9

2.2.5 Darknet的特点 10

2.3本章小结 11

第三章 基于YOLOv3的交通标志识别 12

3.1 构建YOLOv3模型 12

3.2 数据集标注 13

3.3训练过程 16

3.4本章小结 17

第四章 结果与分析 18

4.1 图片识别结果 18

4.2 训练的曲线图 20

4.3本章小结 22

第五章 总结与展望 23

5.1 全文小结 23

5.2 未来展望 23

致谢 24

参考文献 25

第一章 绪论

1.1 课题的研究背景及意义

智能系统的时代正在来临，而智能驾驶作为智能领域中较为老牌且重要的一环，是新兴的一个重要环节，也是过渡到智能时代的过程中，出现较早的一个智能领域，也是世界都在关注的一个重要领域。所以，自动驾驶和智能驾驶对于各个国家的经济、生活、安全等都有着比较重要的战略意义。

由于交通问题日益严峻，传统的人工管理办法费事费力，正在被一步步淘汰，无法满足人们日益增长的需要。在20 世纪80年代，出现了智能交通系统(Intelligent Transportation System)，简称ITS，它的问世带来了不一样的曙光。ITS使得在交通问题中，人、车和路相互结合并且相互协调配合，减少了问题的发生，避免了事故的出现，也使得交通问题得以缓解，效率进一步提升。管理人员可以通过收集有关汽车，驾驶者和交通路线的实时信息来提高管理效率，目的是充分利用交通资源。自动驾驶的概念图如图1.1和图1.2所示。

图1.1 自动驾驶概念图一 图1.2 自动驾驶概念图二

其中，交通标志识别系统^[1]作为现代理论中智能系统的一个重要部分，同时也是辅助人们自动驾驶功能的一个重要组成部分。它在许多实际问题的解决中非常有效，比如自动驾驶相关难题，交通实时监控以及安全驾驶问题和驾驶员辅助问题。TSR通常涉及两个相关主题，交通标志检测（TSD）专注于在每一个帧的位置问题，而交通标志识别（TSR）则专注于目标类型的检测问题。

已知的传统交通标志识别算法，主要是对颜色、形状等特征进行特征提取并分类，比如在HSV空间中训练自适应强度分类器的检测算法，基于车载视频的交通限速标志的检测和识别算法，以及基于深度森林的交通标志识别算法等，虽然他们在准确率和检测速度上各有长处，但是在实时性和准确率的平衡性上难以与现有的卷积神经网络相比较，仍存在一定的差距。

自从2012年，卷积神经网络^[2]风靡计算机视觉领域，从这往后，有关新型卷积神经网络的结构不断被提出，使得目标检测算法得以迅猛发展。由于交通标志识别对于实时性和准确性的要求都比较高，所以卷积神经网络自然成为了最佳选择。

1.2 国外研究现状

交通标志检测和识别，最早开始于20世纪70年代，当时日本的一个团队利用了阈值分割这一较为高效的算法，对交通标志进行检测，然后通过模板匹配的方法进行进一步的操作，识别出模板类型，但是因为当时的计算能力受限，无法对相关算法进行一个比较准确的实验验证，因此与其相关的技术发展速度较为缓慢。后来随着计算机性能和计算能力的快速发展，越来越多的学者投入到该方向的研究中。二十世纪后期，很多先进的方法理论应用在TSR系统的研究当中，TSR的研究工作也得到了越来越多学着和汽车厂商的重视和关注。智能驾驶的理念图如图1.3所示。

图1.3 人工智能和自动驾驶

国外对于基于交通标志的识别与分类研究开展较早，因此在理论研究和相关软件的设计方面均取得了许多成果，其中不少成果已经应用自动驾驶当中。

2011年德国操办了一个有关于交通标志的比赛，这一比赛象征着交通标志识别受到了全世界的高度关注。在此期间，法国学者通过红色滤波和闭合曲线相结合的方法进行边缘检测，利用神经网络模型进行特征的提取以及目标的分类。后来出现了针对颜色和形状信息的识别系统，基于颜色分割、形态学处理、霍夫变换等方法的交通标志识别，以及识别过程中的Neural Net分类法。在这些不同的检测和识别方法中，神经网络分类法应用最广且效果最好，神经网络分类的方法也成为了最为常用方法，神经网络是模仿人的大脑思维，仿佛是人类大脑的一个神经系统，由很多简单的小神经元一个一个彼此相连，共同形成一个大的复杂的网络，这个网络就是模拟的神经网络。后来神经网络领域的一次国际会议中举行了一次比赛，在比赛中，卷积神经网络^[3]可以从输入且未经处理的图像中学习到比较具体的特征，这是区别于传统的需要经过图像处理的算法。因此，神经网络分类识别法成为了最常见的交通标志的识别方法。

近些年，机器学习与深度学习算法走进学者们的关注重心，其中，深度学习可以高效解决复杂的检测任务，并且在目标检测的实时性上，达到一个比较高的精度。

1.3 国内研究现状

相较于国外，我国对于交通标志识别的研究起步较晚，在众多的科学家科研人员的共同努力下，也取得了不少成果，并且也已经应用到了众多领域之中，但是和国外相比还是有一点差距的。因为我国在该方面起步较晚，在二十多年前，国内的各个高校才陆陆续续开始关注该方向的研究工作，其中比较有代表性的是利用形态学方法和模板匹配算法来进行特征提取和分类识别，它具有较高的识别正确率与算法鲁棒性等优点，后来又在此基础上增加了HIS颜色空间图像分割的方法，这样会使交通标志在各种复杂情况下都有较高的识别准确率。

请支付后下载全文，论文总字数：18754字