全文总字数：1893字

1. 研究目的与意义及国内外研究现状

1）目的：采用了一种基于深度学习的卷积神经网络（cnn）方法对交通标志识别。该方法是有监督的学习模型，直接将采集到的交通标志图像进行灰度化二值化后作为输入，通过卷积层和池层的多级处理，模拟人脑感知视觉信号的层次结构，自动提取交通标志图像的特征，最后使用完全连接层来识别交通标志。

2）研究意义： 近几年，尽管国家相关部门已经加重了超速违法行为的处罚，但是因不遵循交通标志指示的规则而发生交通事故的死亡率仍在成倍攀升。相关调查结果显示，超速行驶是发生交通事故的重要原因，这不仅给人们带来生命财产的损失，同时也降低了运输效率，造成了能源浪费等的经济损失。因此，智能交通系统的概念变应运而生，交通标志的识别是智能交通系统的重要组成部分，它能为驾驶员及时的提供道路信息，从而使驾驶更加安全。同时，交通标志的识别对于无人驾驶汽车也有着推动作用，它能够向驾驶系统传输重要的道路信息，进而指导无人驾驶汽车做出正确的判断，实现无人驾驶汽车的安全驾驶。

国内外研究现状

交通标志的识别很早已经被人工提取的方法实现，包括模板匹配、人工提取、稀疏编码等。模板匹配方法对透视变化，老化，噪声和遮挡不稳健。人工提取的功能具有有限的代表性，如果分类的数量增加，它们可能无法很好地扩展。另外，它们对于由运动模糊和天气状况引起的不规则伪影不健壮。这可以通过stallkamp 等人在2012年的gtsrb竞赛中报告的结果来观察，其中基于人工提取的最佳执行解决方案仅能够正确分类97.88％的测试用例。2013年，在gtsrb数据集上基于手工特征提高了高达98.53％的准确度。尽管如此，这种方法存在一些问题。它们的原始矢量是通过应用五种不同的方法构建的9000维向量。这个高维向量稍后投影到较低维空间。由于这个原因，当它们在多核cpu上执行时，它们的方法非常耗时。故而，卷积网逐渐被应用于交通标志的分类。

2. 研究的基本内容

1）使用德国交通标志识别基准作为数据集，分为训练集和测试集，并使用matlab对数据集进行灰度化二值化处理。

2）学习使用matlab工具包，利用“lenet-5”模型交替的卷积层和池采样层对处理好的数据集进行网络模型训练。

3）将测试集输入训练好的卷积神经网络记性交通标志特征提取，然后通过全连接层进行分类和识别，得到分类识别结果。

3. 实施方案、进度安排及预期效果

1）实行方案：首先学习卷积神经网络相关理论，同时学习matlab软件的使用，阅读卷积神经网络研究相关文献；然后搜集所需数据，利用所学理论和软件进行分析，建立模型及模型的优化，最后根据模型得出相应的分类结果。

2）进度：3月中旬-4月中旬：了解课题研究的内容，查阅相关资料，学习相关知识，确定基本的研究方案并撰写任务书和开题报告；4月中旬-4月下旬：采集相关数据，整合资料，分析计算模型，并准备中期报告；5月初-5月中下旬：整理相关结果，撰写毕业论文；5月下旬起完善论文并准备论文答辩。

3）预期效果：掌握卷积神经网络对交通标志的识别的主要方法，掌握相应的代码，并利用代码成功训练一个卷积，并成功的得到较为准确的分类结果，从而为日后国内的交通标志的识别有针对性的思路和方向。

4. 参考文献

[1] mohamedelleuch,rania maalej,monji kherallah.a new design based-svm of the cnnclassifier architecture with dropout for offline arabic handwrittenrecongnition.[j]procedia computer science,2016,05(512)：1712-1723

[2]杨心.基于卷积神经网络的交通标志识别研究与应用[d].辽宁：大连理工大学，2014.

[3] 杨振杰. 基于cnn的交通标志识别的方法研究[d]. 天津：天津工业大学，2017.