1 案例背景
交通标志识别技术是智能交通和⾃动驾驶领域中的⼀项关键性技术，如何建⽴⼀个准确性⾼、实时性好以及安全性佳的交通标志识别系统是当下⼀⼤研究热点。在简要介绍该系统框架和⽐较已公开的交通标志数据集的基础上，研究了交通标志识别系统的两⼤核⼼部分——标志检测和标志识别，并阐述了各⾃的原理机制，最后总结了实现交通标志检测和识别所存在的难点问题并对深度学习法在该系统中的后续研究提出了⼏点拙见。 情趣口香糖2 数据集和预处理
2.1 数据集
彩碳粉本研究使⽤德国交通标志识别的数据集（GTSRB数据集））进⾏训练和模型测试，该数据集中存在43个类别的交通标志，训练数据有34799个，验证数据有4410个，测试数据有12630个，图⽚的⼤⼩为32×32，有3个颜⾊通道。测试集每个类别的图像数量存在较⼤差异，因此对每个类别的样本进⾏均衡，最终样本数量总数为50690。 2.2 预处理⽅法介绍针式吸盘
⾸先将输⼊的尺⼨缩⼩为32×32×3的图像，交通标志并没有因为颜⾊不同⽽具有不同的含义。在训练时，忽略交通标志图像的颜⾊差异，⽽只考虑图像的不同部分的亮度差异。本⽂使⽤HSV和YUV⾊彩空间，并且在HSV空间取V通道，在YUV空间取Y通道。如图1所⽰，图1是原图经过不同预处理后的图像，图1a为HSV中的V通道图像，图1b为YUV通道中的Y通道图像。通过采⽤这种⽅式，能够使得从图像原来的三通道图像变成了⼀个通道，减少了训练数据量。
为了增强图像的亮度，分别对YUV中通道Y通道和HSV中的V通道进⾏直⽅图均衡，传统的直⽅图均衡具体⽅法如下：对于⼀幅像素数为n，像素值范围为[0,L-1]的图像，令rk表⽰第K个像素级，nk表⽰图像中出现的像素的个数，则rk的直⽅图概率密度p(rk)为：
单向器
图1：原图经过不同预处理后的图像
图1：原图经过不同预处理后的图像
累计分布函数Sk为：
上述的直⽅图均衡是⼀种全局的直⽅图均衡，没有考虑图像元素的统计关系和相互影响。因此，为了提⾼图像识别的鲁棒性，克服不同条件下抗光照的影响，通过对传统直⽅图中累计分布函数Sk进⾏改进⽂献的，以提升图像增强的效率[6]。改进累计分布函数S’k的计算公式为：
油底壳垫
其中，S’k改进的累计分布函数，rj表⽰第j个像素级，p(rj)表⽰第j个像素级的概率密度；
图1c为HSV中的V通道经过直⽅图均衡的图像，图1d为YUV中的Y通道经过直⽅图均衡的图像，从图1c和图1d显⽰经过改进的直⽅图均衡后，光照不⾜的图像中经过均衡处理后具有较好的图形轮廓。在对图像进⾏直⽅图均衡后，将图像数据转化为[-1,1]的范围。
2.3 图像增强
交通标志安装是在户外，但户外环境复杂变化，使得交通标志最终在相机的成像会发⽣不同的变化。为了消除这些原因造成的影响，在模型训练时，图像旋转⾓度的最⼤范围为10度，最⼤随机放⼤倍数为1.2，最⼤随机⽔平偏移0.08和上下偏移的范围为0.08。
3 现成案例（代码+参考⽂献）
3.1
3.2
eva母
3.3
3.4
3.5
3.6
4 Matlab毕设系列 —说明
链接：代码事宜加球球1564658423
5 参考⽂献
[1]何敖东 .基于深度神经⽹络的交通标志识别⽅法[J].电⼦技术与软件⼯程. 2021,(14)
[2]马健，张敏，张丽岩，段晓科.交通标志识别系统研究综述[J]；物流科技. 2021,44(10)
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议