一、选题依据（目的、意义、国内外研究现状、学术准备情况、研究思路及方法）

1、目的、意义

交通标志，用文字、图像或符号向车辆、行人传递引导、限制、警告或指示信息的道路设施。又称道路标志、道路交通标志。在交通标志中一般是以安全、设置醒目、清晰、明亮的交通标志是实施交通管理，保证道路交通安全、顺畅的重要措施。交通标志的作用包括:引导驾驶人员安全行驶、调节道路上车辆流量等。对行人和其他非机动车辆也具有调节和控制功能,对道路顺畅通行具有重要意义。

人们的生活和工作都无法离开图像,图像是人们获取信息的重要来源之一。目前图像分类是图像数据挖掘和深度学习的热门研究方向,可以通过特征提取、特征表达以及分类器来完成图像分类任务。图像分类准确率与提取的图像特征完整性与有效性相关,因此特征提取对于图像分类具有十分重要的作用。使用深度学习技术完成图像分类任务一般需要依靠大规模的数据集,无法获得大规模数据集时,分类模型的训练就会受到限制。

交通标志的自动检测与识别是当前汽车自动驾驶领域中一个较为重要的研究课题。由于交通标志与汽车乘客和道路交通安全息息相关,因此交通标志的自动检测与识别对准确率的要求极高。此外,提高交通标志自动检测与识别的准确率还有助于提升道路整体的通行效率,有助于形成一个更加高效、环保的道路交通系统。在交通标志自动检测与识别研究的早期,人们普遍采用手工特征的方法来进行相关研究。手工特征的方法虽然取得了一定的效果,但是这些方法需要依靠设计者的先验知识来进行繁琐的人工调参。近年来,随着深度学习技术的兴起,VGG-Net、Res Net等卷积神经网络在图像识别领域的识别效果已经超过传统的手工特征方法,因此研究人员开始研究利用深度学习技术进行交通标志的自动检测与识别。但是外界的天气、样本采集的距离和交通标志自身的损坏等因素会对交通标志自动检测与识别造成较大的影响,使得当前基于深度学习的交通标志自动检测与识别的准确率与实际应用的要求还有一定的差距。

2、国内外研究现状

交通标志检测方法主要有两类，包括利用传统计算机视觉对交通标志进行检测和基于深度学习的交通标志检测方法。利用传统计算机视觉对交通标志进行检测，主要是基于交通标志颜色、几何形状特征外观特征以及结合颜色和几何形状特征的检测方法。传统检测方法提取的特征信息对交通标志的表征能力较弱，不适用于场景复杂和数据量大的情形。基于深度学习的交通标志检测方法一般包括通过卷积神经网络进行交通标志特征提取、感兴趣区域选择和交通标志任务分类三部分。

交通标志识别方法主要有三种，早期的模板匹配法、机器学习方法和卷积神经网络识别算法。模板匹配法使用场景相对单一，需要交通标志与模板较好对应下才能够准确识别，机器学习方法存在特征提取耗时较大，提取的特征鲁棒性弱的问题，卷积神经网络的方法有较好的识别精度。

卷积神经网络（Convolution Neural Network,CNN）在交通图像识别中的应用是智能交通系统的热点研究内容,交通标志和车型分类是交通图像识别的两个核心板块,在实际应用中面临许多困难。人工设计特征提取器的方法速度慢、精度低,而卷积神经网络提取特征更为简单,且具有较高的分类精度。随着深度卷积神经网络的出现，各种图像分类问题随之有所突破，残差网络是深度卷积神经网络的一种。深度网络通过端到端的方式，将低级到高级的特征和分类器进行集成。为了尽可能获取特征，通常可以通过增加模型网络层数，即增加模型深度来实现。在ImageNet数据集中排名靠前的网络模型都采用了深层结构，许多视觉识别任务从深层模型中收益颇大。

由于网络层数的深度直接影响最后的分类和识别效果，一般会将网络设计的较深，因为网络层级的增加会提高模型精度，但是模型层数过高会使训练精度和测试精度下降。这是梯度爆炸现象所导致的，当模型层数很深时难以训练。残差网络结构对比传统的平原网络结构，增加了一个恒等的捷径连接，通过人为制作恒等映射，可以令整个模块向恒等映射的方向收敛，同时也能解决错误率由于层数变深而变差的问题。

卷积神经网络的应用过程中其网络结构优化是影响识别精度及效率的重要因素,研究CNN网络结构优化问题具有重要意义。近年来,卷积神经网络得到了极大的发展,相比传统的道路交通标志检测与识别方法,基于卷积神经网络的方法能够有效地提升对交通标志检测的处理速度。交通标志的检测与识别作为无人驾驶系统和自动驾驶辅助系统中的重要组成部分,对整体行车安全有着直接的影响。

3、学术准备情况

随着信息技术的发展与进步，图像数量迅速增长，日常生活无法离开大量的图像，人们在获取图像中所包含的信息寻求便利之时，对图像的管理和保存也面临着巨大的挑战。图像包含的信息具有重要的研究意义，图像分类的目的是在处理海量图像数据时能够快速对未知类别的图像分类，然后进行下一步的研究学习，最终在实际应用中能够结合实际工作场景解决一些工程上的问题。

随着研究的不断推进，近几年来深度学习取得了丰硕的学习成果，推动着人工智能领域得到很好的发展。目前图像分类方法往往存在分类精度低、特征提取与选择不够完整的问题，通过对卷积神经网络(Convolutional NeuralNetworks, CNN)的深入研究，学者们不再使用传统的分类方法手动提取特征，图像分类的准确率以及速率得到了明显的提升。为此本文使用了基于卷积神经网络的图像分类算法，构建交通标志识别模型，对交通标志识别模型参数调优，降低计算量并获取到较为全面的图像特征。

4、本选题研究思路及方法

本课题研究思路主要包括软件环境安装、数据集调研下载或采集、深度学习模型构建、模型训练与性能评估，模型预测，模型性能可视化等步骤。主要研究内容或模块组成如下图所示：

主要研究思路和方法如下：

（1）安装Anaconda3，开源的Python集成开发环境，内含conda、 Python 180多个科学包及其依赖项等多种组件库，能够完美适应深度学习开发环境，有助于整个程序的编写。

（2）安装并配置深度学习开发环境，包括pandas、numpy、Pytorch等深度学习神经网络开发依赖包。Pytorch 是由Facebook 开源的神经网络框架，与Tensorflow的静态计算图不同，Pytorch 的计算图是动态的，可以根据计算需要实时改变计算图。

（3） 研读卷积神经网络经典论文，包括AlexNet、VGG、ResNet等卷积神经网络模型架构，分析卷积神经网络中的卷积、池化、感受野、残差、激活函数等操作。

（4）利用Pytorch深度学习框架，参考并实现AlexNet、VGG、ResNet等卷积神经网络模型架构，进行模型的训练、验证和测试，熟练掌握深度学习在图像分类上的处理流程。

（5）搜集、下载并整理交通标志识别相关数据集，对数据集进行评估，并进行图像自动标注工具进行图片标注。经调研，交通标志识别数据集暂采用以下数据集中的某一种：

1. 中科院自动化所Chinese Traffic Sign Database CTSDB 数据集，Traffic Sign Recogntion Database
2. 清华大学与腾讯联合发布的Tsinghua-Tencent 100K Tutorial，index
3. Kaggle Road Sign Detection，Road Sign Detection | Kaggle

实验阶段，根据模型性能可能会对数据集进行调整。

（6）利用标注的交通标志数据集，训练VGG、ResNet等卷积神经网络，分析在训练集上训练损失函数和准确率变化，并在测试集上对模型性能进行准确率、召回率和F1值的评估。

（7）利用Matplotlib、seaborn等工具，对模型训练和预测的结果进行可视化图表展示，同时对模型在测试集上预测的正确样本和错误样本进行样例分析，综合评估卷积神经网络在交通标志识别分类任务上的整体性能。