摘 要

交通标志是道路基础设施的重要组成部分，在现实的交通环境中，它们为道路使用者提供了很多有用的信息，同时给了司机很多行驶的规定，来保证交通的有序，避免发生交通事故。现在人们的生活越来越富足，对于私人汽车的需求越来越大，随之而来的，辅助驾驶系统开始进入了人们的视野，人们开始认识到它的重要性。为了解决生活中出现的这些问题，我对于交通标志的检测与识别做了一定的研究。

在本篇论文中，我主要研究了以下内容，总体来说是对交通标志进行实时检测，并进行分类。首先，输入图像，然后开始寻找目标：交通标志，找到之后进行定位，并标注出来，然后对所检测到的交通标志进行分类。本文对交通标志分了3大类，分别是警告类，禁止类以及指示类。本文采用了yolov3算法来对交通标志进行检测与识别，其采用一个单独的卷积神经网络模型实现端到端的目标检测，通过处理网络预测结果得到检测的目标，相比r-cnn算法，yolo算法是一个统一的实时对象检测算法，虽然他的识别成功率不是顶尖的，但是它的速度比一般的算法更快，而且yolo的训练过程也是端到端的。本文使用了中国交通数据集进行训练并测试，研究结果表明，对于交通标志的识别达到了预期效果。

本文的特色：运用了比较前沿的yolo算法，对图像进行了检测与分类，达到了很好的效果。

关键词：卷积神经网络；yolo算法；交通标志

Abstract

Traffic signs are an important part of road infrastructure. In the real traffic environment, they provide road users with a lot of useful information and give drivers a lot of driving regulations to ensure the order of traffic and avoid traffic accidents.Now people's life is more and more affluent, the demand for private cars is more and more big, followed by, the auxiliary driving system began to enter people's vision, people began to realize the importance of it.In order to solve these problems in life, I have done some research on the detection and recognition of traffic signs.

In this paper, I mainly study the following contents. In general, real-time detection and classification of traffic signs are conducted.First, input the image, and then start looking for the target: traffic signs, locate and mark them after finding them, and then classify the detected traffic signs.In this paper, traffic signs are divided into three categories: warning, prohibition and indication.This paper adopted yolov3 algorithm for traffic sign detection and recognition, it adopted a separate convolution neural network model to realize end-to-end target detection, detection of target is obtained by processing network prediction results, compared with r - CNN algorithm, yolo algorithm is a unified real-time object detection algorithm, though his recognition success rate is not the top, but it's faster than the general algorithm, and the training process of yolo is end-to-end.In this paper, Chinese traffic data set is used for training and testing. The research results show that the traffic sign recognition achieves the desired effect.

This paper features: the use of relatively cutting-edge yolo algorithm, image detection and classification, achieved a good effect.

Key Words：CNN;Yolo algorithm;Traffic signs

目 录

第1章 绪论 1

1.1 研究的目的及意义 1

1.2 国内外研究现状 1

第2章 开发环境介绍 3

2.1 python发展历程 3

2.2 Python 有何不同 3

2.3 为何选择Python 4

第3章 基于yolo卷积神经网络的目标检测算法 5

3.1 卷积神经网络基础理论 5

3.1.1 卷积层 5

3.1.2 池化层 7

3.1.3 全连接层 8

3.1.4 输出层 8

3.1.5 反向传播和梯度下降 9

3.2 YOLO统一的实时对象检测 10

3.2.1 YOLO简介 10

3.2.2 yolo网络设计 12

3.2.3 网络训练 12

3.3 yolo的改进：yolov3 13

3.3.1 Bounding box预测 13

3.3.2 类预测 14

3.3.3 跨度的预测 14

3.3.4 darknet-53 15

第4章 Yolov3交通标志检测与识别的实现 17

4.1实验数据集 17

4.2数据集的训练 17

4.3对交通标志的测试 19

第5章 总结与展望 22

5.1 论文总结 22

5.2对未来的展望 22

参考文献 23

致 谢 24

第1章 绪论

1.1 研究的目的及意义

随着我国经济的高速发展,愈来愈多的人购置了汽车作为代步工具，因此，汽车的数量越来越多。这使我们出行时面临巨大的交通压力,司机在驾驶过程中需要集中精神驾驶汽车，但是，当司机的精神状态不好时，倘若看不到相应的交通标志，轻则造成交通阻塞，重则造成交通事故。因此，人们对驾驶的安全状况越来越重视，也正因为这样，辅助驾驶系统进入了人们的视野。良好的辅助驾驶系统,要求其做到对交通标志快速而准确的检测与识别,进而可以提醒司机注意交通安全。这对于我们具有重大的意义，每个人都会驾驶或者乘坐机动车,辅助驾驶系统将大大提高驾驶汽车的安全性，当司机感到疲劳时，因为有着辅助系统的提醒，也可以从容的停车休息,这将保证大家的出行安全。当然，这项工作也不是可以一蹴而就的，交通标志的检测与识别这项工作对于我来说，具有很大的挑战性,如果是给你一张清晰的图片，让你去识别，这是比较简单的。可是，现实的环境中,所需要识别的交通标识往往受到其他因素的影响,画质很差,很难检测与识别，比如，太阳光很强，交通标志出现反光，或者交通标志被杂物遮挡，这些外在因素都将给交通标志的检测与识别造成巨大的影响。虽然这项工作有难度，但是，这是一项造福人民大众的事情。

1.2 国内外研究现状

在20世纪80年代，日本最先展开了相关领域的研究，闽值分割算法是那个年代大多数人的算法，而有的学者在对交通标志进行研究时引入了该算法。该算法能够通过模板匹配的方式来提高交通标示识别的准确性。

日本的研究慢慢地引起了国际学者的注意，在20世纪90年代后，西方的一些国家和地区的学者也投入到了交通标志检测和识别的研究当中来。并各自提出了一些不同的检测和识别方法。