基于卷積神經(jīng)算法的交通標(biāo)志的識別與預(yù)測TOC\o"1-3"\h\u1前言 摘要：近幾年，交通標(biāo)志檢測與識別已經(jīng)成為智能交通領(lǐng)域的研究熱點，卷積神經(jīng)網(wǎng)絡(luò)是當(dāng)前交通領(lǐng)域常用的一種圖像分類技術(shù)，能夠自主運算并分析圖像。YOLOV3算法也是現(xiàn)在應(yīng)用最為廣泛的基于深度學(xué)習(xí)的目標(biāo)檢測算法之一。該算法使用了K-means聚類的方法來估計預(yù)測邊界框的寬度和高度，同時彌補了其他算法在針對小尺寸目標(biāo)物體檢測上精度不夠的問題。本次設(shè)計在keras-YOLOV3源碼的基礎(chǔ)上完成，經(jīng)過多次的實驗，通過對參數(shù)和訓(xùn)練的類別的修改，適當(dāng)增加迭代次數(shù)，最終對于4類交通標(biāo)識識別的平均準(zhǔn)確率達到了88.76%，對于單個道路標(biāo)識（4號標(biāo)識）識別的準(zhǔn)確率達到了97.53%。從而完成YOLOV3算法檢測道路交通標(biāo)識信息的識別。關(guān)鍵詞：交通標(biāo)志識別與檢測；深度學(xué)習(xí)；YOLO1引言1.1研究背景與意義21世紀(jì)是充滿變化的新世紀(jì)，更好的發(fā)展條件也推動了計算機技術(shù)以及物聯(lián)網(wǎng)技術(shù)的進步。計算機具有人腦的深度學(xué)習(xí)功能，能夠?qū)崿F(xiàn)圖形的處理以及優(yōu)化。要是有一天計算機能夠自主思考世間萬物并進行自主學(xué)習(xí)，那么一定是借助了深度學(xué)習(xí)技術(shù)。人對世間萬物的感知主要依靠感官來進行，利用感官反饋的信息進行學(xué)習(xí)，而計算機則需要進行大量樣本的分析，才能實現(xiàn)后續(xù)的學(xué)習(xí)過程。計算機可以按照規(guī)定的算法規(guī)則，將采集到的各種圖像信息進行分析和挑選，篩選出對人有用的圖像，并對這些圖像進行分析和預(yù)測，從而對人類判斷事物的功能進行模擬，從而取代人類做那些枯燥且重復(fù)的工作。近年來無人駕駛汽車悄然出現(xiàn)，極狐汽車曾發(fā)布一段無人駕駛視頻，視頻中汽車的信息識別率已經(jīng)非常精確。特斯拉將自動駕駛的最終目標(biāo)與現(xiàn)實相結(jié)合，并在其汽車模型中添加了自動駕駛儀，并實現(xiàn)了自動駕駛儀的某些功能。在中國，百度已經(jīng)啟動了對無人駕駛技術(shù)的研究，而一些傳統(tǒng)汽車公司，例如北汽集團，上汽集團和小米，也都專注于這一領(lǐng)域?？梢钥闯?，在未來的幾十年中，沒有一輛汽車會進入我們的生活。無人駕駛汽車技術(shù)是許多先進技術(shù)相結(jié)合的結(jié)果，能夠?qū)崿F(xiàn)對交通標(biāo)志的檢測和識別。1.2交通標(biāo)志目標(biāo)識別的研究現(xiàn)狀在完成交通標(biāo)志所處的特征區(qū)域的檢測之后，因為交通標(biāo)志的類型比較豐富，必須全面識別特征區(qū)域，找出被檢測交通標(biāo)志與其他交通標(biāo)志之間的不同點，從而實現(xiàn)識別功能。當(dāng)前使用頻率較高的識別方法如下：（1）模板匹配方法模板匹配最早被應(yīng)用于圖像識別工作當(dāng)中，該方法的實現(xiàn)原理還是比較清晰的。因為目標(biāo)圖像在模板匹配的時候只能平移，因此該方法的使用條件是圖像在使用過程中的位置、角度和尺寸不會發(fā)生變化，不然這個算法的作用就會消失。因此模板匹配的識別效果并不是很好。（2）基于深度學(xué)習(xí)的方法這幾年人工智能領(lǐng)域的發(fā)展勢頭比較迅猛，而我國交通部也將深度學(xué)習(xí)方法應(yīng)用到了交通標(biāo)志的識別過程當(dāng)中。并且機器學(xué)習(xí)領(lǐng)域在發(fā)展過程中也開始意識到了深度學(xué)習(xí)方法的重要價值。深度學(xué)習(xí)能夠找到樣本數(shù)據(jù)的規(guī)律并操控計算機進行問題分析和問題解答。而深度學(xué)習(xí)的概念發(fā)展與神經(jīng)網(wǎng)絡(luò)的研究有關(guān)，通過神經(jīng)網(wǎng)絡(luò)與多個感知器的結(jié)合就能實現(xiàn)深度學(xué)習(xí)結(jié)構(gòu)的初步搭建?，F(xiàn)如今廣受計算機領(lǐng)域認(rèn)可的深度學(xué)習(xí)模型主要有：CNN是上世紀(jì)80年末由YannLecun學(xué)者提出的，是基于卷積的一大類網(wǎng)絡(luò)。并且借助CNN單元構(gòu)建的經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)有LeNet-5、AlexNet、VGGNet等等。劉戀等學(xué)者基于AlexNet網(wǎng)絡(luò)提出了多級分類識別算法，借助RPN網(wǎng)絡(luò)對候選區(qū)域的信息進行提取，同時借助BatchNormalization層把所有層的輸入值進行歸一。最終的實驗結(jié)果顯示，這種算法具有高正確率以及高時效性的優(yōu)勢。林雪學(xué)者在其發(fā)表的文獻中提出了基于VGGNet網(wǎng)絡(luò)的交通識別算法。這種算法無論是準(zhǔn)確率還是運行效率都能滿足深度學(xué)習(xí)的要求。上述有關(guān)交通標(biāo)志識別技術(shù)的研究結(jié)果表明，在深度學(xué)習(xí)技術(shù)的發(fā)展速度加快之后，卷積神經(jīng)網(wǎng)絡(luò)（CNN）在近幾年的應(yīng)用頻率較高。因此這篇文章將使用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)對交通標(biāo)志進行識別，并研究該方法的識別效果。1.3本文研究內(nèi)容YOLOV3算法使用K-means聚類的方法來估計預(yù)測邊界框的寬度和高度，同時彌補了其他算法在針對小尺寸目標(biāo)物體檢測上精度不夠的問題。本次設(shè)計在keras-YOLOV3源碼的基礎(chǔ)上完成，經(jīng)過多次的實驗，通過對參數(shù)和訓(xùn)練的類別的修改，適當(dāng)增加迭代次數(shù)，最終對于4類交通標(biāo)識識別。2交通標(biāo)志圖像定位2.1圖像定位簡介區(qū)別于舊的機器識別算法，傳統(tǒng)算法對于一項特點的抽取過程的技巧要求較高，因此深度學(xué)習(xí)方法在這方面有著無法取代的優(yōu)勢。深度學(xué)習(xí)方法可以進行大批量圖像模型的模擬訓(xùn)練，并且在模擬過程中能夠?qū)颖緢D像中的圖像特點進行提取，特別是1980年之后，卷積神經(jīng)網(wǎng)絡(luò)的興起，使得深度學(xué)習(xí)方法成為了計算機領(lǐng)域的研究熱點，如圖2.1所示。圖2.1特征提取過程圖2.2區(qū)域選擇推薦算法區(qū)域選擇推薦算法是交通標(biāo)志識別過程中的常用方法，也是卷積神經(jīng)網(wǎng)絡(luò)出現(xiàn)之后在交通標(biāo)志識別領(lǐng)域的一次重大變革。與之前的機器學(xué)習(xí)的算法不相同的是，在錄入一個圖像時區(qū)域卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)會通過識別圖像的各種細(xì)節(jié)例如，圖像的顏色，輪廓，邊界，空間占比，紋路等來對候選目標(biāo)的數(shù)量進行初步的預(yù)測。有時，為了推薦該區(qū)域的平滑輸出，網(wǎng)格是用來沿著卷積神經(jīng)圖的卷積圖移動的，在倒數(shù)第二個卷積層中獲得的特征，網(wǎng)格是在輸入卷積圖上的窗口上使用神經(jīng)對象。由于網(wǎng)絡(luò)在滑動思維條件下運行，兩個全連接的分析層利用了所有的坐標(biāo)信息和空間位置，并且該結(jié)構(gòu)通過使用ReLU（整流）激勵函數(shù)的卷積層無縫表示，用于卷積層卷積層之后的最終輸出。。為了對區(qū)域推送網(wǎng)絡(luò)進行模擬訓(xùn)練，使其能夠?qū)煌?biāo)志做出一個區(qū)塊化的判斷，每個綁定模型對應(yīng)于一個二進制標(biāo)簽，將正標(biāo)簽分配給兩個錨點類，這步操作與這個標(biāo)簽是不是屬于此目標(biāo)無關(guān)，第一類anchor和現(xiàn)實框的匹配程度最好，第二類anchor與現(xiàn)實框的匹配程度大于0。定義最終的交通標(biāo)志模型識別最小化目標(biāo)loss函數(shù)如下：（2.1）這里，?是下標(biāo)，概率，如果anchor是真，則為1，如果anchor為負(fù)，則為0[7]。分類損失函數(shù)是兩類（目標(biāo)和非目標(biāo)）的邏輯損失，我們使用，如下（2.2）代表僅僅當(dāng)anchor為真（）和anchor為負(fù)（）。對于回歸，本文通過如下公式來參數(shù)化4個坐標(biāo)（2.3）（2.4）其中，x，y，w和?分別表示坐標(biāo)[8]，其表示的是交通標(biāo)志目標(biāo)框的寬度和高度，變量x，x2.3非極大值抑制原理最后確定交通標(biāo)志目標(biāo)框時，深度學(xué)習(xí)目標(biāo)框需要進行非極大值抑制（NMS）如下圖所示。圖3.2交通標(biāo)志非極大值抑制示意圖NMS的實現(xiàn)過程關(guān)乎著內(nèi)外兩個循環(huán)過程，而外循環(huán)能夠涉及到所有的像素，而內(nèi)循環(huán)主要測試相近像素是否能夠進入外部循環(huán)。第一，第個相鄰像素在前個相鄰像中與當(dāng)前候選者中是最大的，其發(fā)生概率為11+?；第二，循環(huán)必須在第次迭代之前不被中止，即當(dāng)前候選值比已經(jīng)測試的相鄰像素大，其發(fā)生概率為1?，最終得到：(2.5)在每次迭代中，發(fā)生候選像素與第個相鄰像素之間的準(zhǔn)確預(yù)測一次，其總計比較次，直到第次迭代結(jié)束。因此，每個像素的預(yù)期比較數(shù)目（CpP）為（2.6）其中是左和右相鄰像素的數(shù)目，且第一項捕獲候選像素是局部最大值時的情況。3基于YOLO模型的交通標(biāo)志識別模型設(shè)計3.1YOLO原理簡介YOLO（Youlookonlyonce）其原理比較簡易：圖像盒子的多個邊框和輪廓會被一個卷積神經(jīng)網(wǎng)絡(luò)一起同一時間進行預(yù)測。YOLO模擬和預(yù)測數(shù)據(jù)集中的所有圖像，之后會對檢驗性能進行直接的優(yōu)化和更新。YOLO會對圖形進行一個完整的考慮，其次，YOLO能對物體對象進行更加一般的抽象表示。3.2YOLO模型訓(xùn)練YOLO會把錄入的圖形分割成n*n的網(wǎng)格，每個單獨的網(wǎng)絡(luò)會預(yù)測M個邊界框并得到它們的置信度分?jǐn)?shù)。根據(jù)圖像的寬度和高度規(guī)范化定界框的寬度和高度，使得他們的預(yù)測值在0和1之間。其具體函數(shù)如下：（3.1）YOLO會對每一個單元網(wǎng)格內(nèi)的多種邊界框進行一次預(yù)測，在模擬練習(xí)時，我們應(yīng)該把每個對象都匹配一個邊框預(yù)測期。其公式如下：λcoordi=0s其中，I?j0bj代表如果對象出現(xiàn)在網(wǎng)格?中，并且?j表示網(wǎng)格?中第YOLOV3相較于傳統(tǒng)的YOLO引入了參差連接算法，目的是對網(wǎng)絡(luò)的深度進行加深，網(wǎng)絡(luò)的主體部分有五十三層卷積層也可以被稱為Darknet53,其主要結(jié)構(gòu)是由3×3的卷積層和1×1卷積核連接塊匹配組合而成,殘差連接塊如下圖所示。圖3.3參差連接塊如圖3.3所示，x是殘差連接塊的輸入，F(xiàn)（x）是x經(jīng)過兩層卷積層后的輸出，殘差連接就是將輸入x與F(x)相加。殘連接的公式如下所示[9]:（3.3）3.3YOLOV3模型設(shè)計思想YOLOV3沿用了預(yù)測邊界框的方法，預(yù)測邊界框模型的設(shè)計思想可分為兩部分：（1）CNN提取圖片信息。通過對比卷積神經(jīng)網(wǎng)絡(luò)提取圖片的特點，我們發(fā)現(xiàn)，當(dāng)網(wǎng)絡(luò)處于往前傳播時，圖片的尺寸會不斷縮小，每個點所表示的模式特點會變得不容易理解；（2）生成候選區(qū)域。將輸入的圖片劃分為小方塊，然后生成不同比例的錨框和相應(yīng)的候選區(qū)域，比較候選區(qū)域在圖片上的位置和真實框的位置，通過兩者之間的關(guān)系標(biāo)出正負(fù)樣本，其中正樣本代表的是進行標(biāo)注時與真實框部分非常接近的候選區(qū)域，且其位置就是真實框的位置所在，負(fù)樣本表示的區(qū)域與正樣本的區(qū)域相反，取的是偏離較遠的區(qū)域，并且不需要進行位置的預(yù)測與類別的分析。最后關(guān)聯(lián)卷積出來的特征圖與預(yù)測框，比較標(biāo)簽值和通過網(wǎng)絡(luò)模型的預(yù)測值。

使用卷積神經(jīng)網(wǎng)絡(luò)提取特征輸出特性圖使用卷積神經(jīng)網(wǎng)絡(luò)提取特征輸出特性圖開啟端到端訓(xùn)練開啟端到端訓(xùn)練輸入輸入圖片關(guān)聯(lián)特征圖和預(yù)測框生成錨框成錨框畫分小關(guān)聯(lián)特征圖和預(yù)測框生成錨框成錨框畫分小方框標(biāo)注預(yù)測框圖3.4YOLOV3算法訓(xùn)練流程圖3.4YOLOV3的輸入輸出YOLOV3在每一個小尺寸區(qū)域會產(chǎn)生三個錨框，每個預(yù)測框?qū)?yīng)27個值，分別包括4（坐標(biāo)參數(shù)）、1（置信度）、4（類別概率，表示的是數(shù)據(jù)庫的類別數(shù)），所以每一個小尺寸的區(qū)域會產(chǎn)生3*（4+1+4）=27的數(shù)。圖片劃分為416*416后，與YOLOv1算法中7*7*2個預(yù)測框,YOLOv2算法中13*13*5個預(yù)測框相比，圖片經(jīng)過YOLOV3算法處理后共包含13*13*3+26*26*3+52*52*3個預(yù)測框。本次實驗所用9個錨框的尺寸分別是：(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)。13*13適用的應(yīng)該是尺寸較大的三個錨框，尺寸大小分別是(116x90)，(156x198)，(373x326)。適用于26*26的分別是(30x61)，(62x45)，(59x119)。52*52特征圖的感受野最小，應(yīng)該使用的是尺寸較小的三個錨框，包括(10x13)，(16x30)，(33x23)。

表格3-2：先驗框與特征圖特征圖感受野先驗框13*13大(116x90)(156x198)(373x326)26*26中(30x61)(62x45)(59x119)52*52小(10x13)(16x30)(33x23)3313*13*3*（4+1+413*13*3*（4+1+4）232倍采樣1131132倍采樣輸入圖片42倍采樣輸入圖片416*416*3616倍采樣616倍采樣5526*26*3*（426*26*3*（4+1+4）2倍采樣52*52*3*（4+1+4）98745226卷積8倍采樣2倍采樣52*52*3*（4+1+4）98745226卷積8倍采樣圖3.5YOLOV3的入口和出口3.5多尺度檢測顧名思義，多尺度檢測是指利用不同尺度的特征圖對不同尺度的目標(biāo)進行檢測，其操作形式是通過在網(wǎng)絡(luò)的某些預(yù)測層上進行采樣拼接來實現(xiàn)。YOLOV3算法擁有三個不同的輸出檢測層，其在網(wǎng)絡(luò)結(jié)構(gòu)darknet-53中使用3個不同尺度的特征圖來檢測目標(biāo)物體。舉個例子，假如輸入圖片尺寸為416*416，如圖所示，在第79層之后的操作可以得到13*13的特征圖。對于特征圖來說，其采樣倍數(shù)越大，感受野會跟著變大。然后將該結(jié)果向上掃描，將張量與第61層的圖拼接起來，分析出第91層的圖，通過一系列卷積運算獲得第91層特征圖，這意味著在這段時間內(nèi)特征圖的掃描次數(shù)少于16次。同樣，在上采樣后，第91層的結(jié)果與第36層的結(jié)果合并，經(jīng)過多次卷積運算，結(jié)果是結(jié)果的1/8，特征圖為52*52，而在三維對象圖上，其捕獲場是用于檢測較小目標(biāo)的最小值。圖3.6YOLOV3網(wǎng)絡(luò)結(jié)構(gòu)圖4實驗分析在目標(biāo)檢測算法中，YOLOV3算法引用了新的網(wǎng)絡(luò)結(jié)構(gòu)——Darknet-53來解決深度網(wǎng)絡(luò)梯度問題，同時針對小目標(biāo)物體提出多尺度特征圖識別用物流分類器取代softmax打破了一個目標(biāo)物體對應(yīng)一個標(biāo)簽的現(xiàn)狀，能夠更好的對數(shù)據(jù)進行建模。本次畢業(yè)設(shè)計是基于keras-YOLOV3，對交通標(biāo)識進行識別，主要包括準(zhǔn)備數(shù)據(jù)庫，訓(xùn)練和測試等步驟。開始需要安裝軟件、環(huán)境搭建以及源文件的下載和測試。后期工作包括對實驗結(jié)果進行分析對比。4.1環(huán)境搭建本次設(shè)計實驗環(huán)境所采用的軟件平臺是Pycharm和python3.7.10，所采用的深度學(xué)習(xí)框架是Keras、Tensorflow。按照實驗需求安裝吧版本分別是TensorFlow1.13.1和Keras2.1.5。4.1.1軟件安裝由于OF是Python原生的想法，因此代碼行為存在問題，其中有很多問題。.py文件同時打開易混亂問題，本次畢業(yè)設(shè)計采用對于新手比較友好的PyCharm軟件。PyCharm支持web開發(fā)框架，代碼執(zhí)行更精確，bug修復(fù)更快速，允許程序遠程開發(fā)。4.1.2TensorFlowTensorFlow將機器語言和神經(jīng)網(wǎng)絡(luò)的模型、算法組合在一起，可用于學(xué)習(xí)和訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，從而達到目標(biāo)檢測的效果。它的命名可以用一個很簡單的公式表現(xiàn)出來。數(shù)據(jù)流圖可以簡單的拆分理解為由“節(jié)點”和“線”組成流程圖，“節(jié)點”可以是我們需要運行的數(shù)學(xué)操作，也可以是數(shù)據(jù)的輸入輸出，“線”則是連接兩個節(jié)點的通道，也就是兩個節(jié)點之間的關(guān)系。這些“線”傳輸?shù)木褪菑埩苛?，也就是多維數(shù)組，用于描述張量維度的三個參數(shù)分別是階、形狀、維度。TensorFlow具有高度的靈活性和足夠抽象，只要我們的需求可以簡單的概述為一個數(shù)據(jù)流圖，就可以使用TensorFlow，并且因為自動求微分特性，我們可以專注于結(jié)構(gòu)框架的設(shè)計從而忽略算法實現(xiàn)的具體細(xì)節(jié)，也就是說，只需要定義這個模型的結(jié)構(gòu)框架，將其和目標(biāo)函數(shù)結(jié)合起來，再輸入數(shù)據(jù)，我們就能清晰直觀的看到發(fā)生了什么。PyTorch，CNTK和MXNet同樣作為機器學(xué)習(xí)的框架，選擇TensorFlow的原因在于，TensorFlow擁有和其他機器學(xué)習(xí)框架相同的優(yōu)點的同時，更加的容易學(xué)習(xí)。4.1.3KerasKeras是在Theano的用Python編寫的學(xué)習(xí)框架。下面介紹了其中七個模塊。（1）Models包：作為Keras中最主要的一個模塊，其主要作用是對各其他模塊進行組合。（2）Layers包：用途是生成神經(jīng)網(wǎng)絡(luò)層。（3）Initializations包：主要作用是對初始化應(yīng)進行于layer調(diào)用前。（4）Activations包：提供激活函數(shù)，例如linear、sigmoid、softmax、relu、softplus等。（5）Objectives包：該模塊主要提供目標(biāo)函數(shù)，函數(shù)的設(shè)定應(yīng)處于模型的編譯階段。（6）Optimizers包：提供優(yōu)化方法，例如Adagrad、Adadelta、RMSprop、Adam、SGD等。（7）Preprocessing包：該模塊的功能是預(yù)處理，例如通過Keras提供的ImageDataGenerator函數(shù)對圖片預(yù)處理，進行一些彈性變化操作等。4.2算法實現(xiàn)對于交通標(biāo)識識別的畢業(yè)設(shè)計是在keras-YOLOV3源碼的基礎(chǔ)上完成，下載的源碼需要進行測試，之后的實驗主要包三個步驟，分別是準(zhǔn)備數(shù)據(jù)庫，訓(xùn)練和測試。4.2.1測試本次設(shè)計是在keras-YOLOV3源碼的基礎(chǔ)上完成，源碼下載完成后需要進行測試。通過網(wǎng)站下載keras-YOLOV3文件，然后把文件放入keras-YOLO3文件夾內(nèi)，以前的YOLOV3算法使用darknet作為主干網(wǎng)絡(luò)，需要使用配置文件YOLOV3.cfg將YOLOV3.weights轉(zhuǎn)換為Keras適用的YOLO.h5，生成的h5格式文件位于model_data文件夾下。執(zhí)行命令：Pasenkonvertieren.Payolov3BuchtYolov3.Weitzmodel_schlugihn/Yolo.Ha5最后輸入圖片的路徑進行測試。圖4.1測試結(jié)果4.2.2實驗流程實驗包括三個步驟，分別是：（1）準(zhǔn)備數(shù)據(jù)庫。創(chuàng)建數(shù)據(jù)集文件夾，將需要檢測的圖片放入JPEGImages文件夾內(nèi)，然后下載labellmg用來標(biāo)注圖片，然后會生成xml文件，xml文件將自動存入Annotations文件夾中。（2）訓(xùn)練。先生成3個訓(xùn)練所需的txt文件，然后修改源代碼、YOLOV3.cfg和voc_classes.txt文件為自己的數(shù)據(jù)集進行訓(xùn)練，生成權(quán)重文件trained_weights.h5存放于目錄log/000/目錄下用于后續(xù)的測試。（3）測試，可分為單張圖片的測試和批量測試。

實驗流程圖如圖4.2所示：預(yù)測批量測試訓(xùn)練創(chuàng)建數(shù)據(jù)庫預(yù)測批量測試訓(xùn)練創(chuàng)建數(shù)據(jù)庫圖4.2實驗流程圖數(shù)據(jù)庫的建立包括如下幾步，如圖4.3所示：劃分?jǐn)?shù)據(jù)集標(biāo)注創(chuàng)建數(shù)據(jù)集文件夾劃分?jǐn)?shù)據(jù)集標(biāo)注創(chuàng)建數(shù)據(jù)集文件夾圖4.3數(shù)據(jù)庫創(chuàng)建流程圖訓(xùn)練包括：生成YOLOV3文件，修改參數(shù)文件，進行訓(xùn)練，如圖4-4所示：訓(xùn)練修改參數(shù)文件生成YOLOV3所需訓(xùn)練修改參數(shù)文件生成YOLOV3所需txt文件圖4.4訓(xùn)練流程圖4.2.3工程文件介紹（1）font文件夾：保存的是程序調(diào)用的字體及顏色，用于測試階段，在圖片上顯示目標(biāo)檢測物體對應(yīng)的標(biāo)簽。（2）logs文件夾：保存的是模型權(quán)重。（3）model_data文件夾：其中5個文件的分別是YOLO.h5，YOLO_anchors.txt，voc_classes.txt，其內(nèi)容分別是YOLO轉(zhuǎn)換darknet的配置文件和錨點尺寸、需要訓(xùn)練的數(shù)據(jù)類別。實驗中將源代碼的訓(xùn)練類別修改為本次實驗的訓(xùn)練類別。

圖4.5voc_classes.txt（4）results文件夾：保存測試結(jié)果，用于測試階段。（5）YOLOV3所需的3個txt文件：分別是2022_train.txt、2022_text.txt、2022_val.txt。txt文件保存的是圖片完整的路徑信息、坐標(biāo)信息和類別信息，可通過voc_annotation.py自動生成。（6）VOCdevkit數(shù)據(jù)集文件夾：在VOCdevkit下創(chuàng)建VOC2022文件夾，VOC2022文件夾包含JPEGImages、Annotations、ImageSets。每個文件夾的作用如下：=1\*GB3①ImageSets文件夾實驗過程中能用到的是子文件夾Main，main中存放的兩個txt文件分別是train.txt和test.txt，里面有測試和訓(xùn)練套件，所有套件都有圖片名稱，這使得在訓(xùn)練期間很容易調(diào)用。=2\*GB3②Annotations文件夾中放的xml文件，xml文件都有圖片相對應(yīng)，其名稱與原圖名字相同。Xml文件在圖片標(biāo)注后生成，其內(nèi)容是圖片中目標(biāo)物體的位置和類別信息。圖4.6xml文件=3\*GB3③JPEGImages文件夾中存放原始圖片，圖片的格式通常為JPG格式或者PNG格式。4.2.4python腳本文件介紹（1）convert.py：將原生YOLOV3使用的darknet下訓(xùn)練的權(quán)重文件轉(zhuǎn)化為keras適用的的h5格式文件。（2）kmeans.py：對數(shù)據(jù)集中的目標(biāo)字段維度數(shù)據(jù)進行分組可保留錨點字段的大小，達到更好的檢測效果。（3）voc_annotation.py：生成YOLOV3所需的3個txt文件，其中2022_train.txt和2022_test.txt為訓(xùn)練時真正調(diào)用的兩個txt文件。將源碼數(shù)據(jù)集的類別信息修改為實驗訓(xùn)練的四個類別信息，分別是右轉(zhuǎn)綠燈，禁止停車，右轉(zhuǎn)紅燈，限速60。然后運行程序生成3個YOLOV3訓(xùn)練所需的txt文件，類別信息如圖4-7所示。圖4.7voc_annotation.py（4）YOLOV3.cfg：config文件，定義了模型的結(jié)構(gòu)，訓(xùn)練時修改filter和classes為自己訓(xùn)練所需的數(shù)值。其中filter計算公式如公式（4-2）所示：filter=3?5+lenclasses圖4.8YOLOV3.cfg實驗中filter和classes數(shù)值分別是：filter=3?classes=4（5）train.py：訓(xùn)練模型以及對文件進行保存。圖4.9主函數(shù)其中annotation_path指的是訓(xùn)練集的存放路徑，本次實驗訓(xùn)練集的路徑為2022_train.txt。log_dir指的是權(quán)重文件存放路徑，本次實驗權(quán)重文件路徑為logs/000/。classes_path指的是數(shù)據(jù)集類別信息的存放路徑，本次實驗數(shù)據(jù)集類別信息的存放路徑為model_data/voc_classes.txt。anchors_path指的是anchors數(shù)據(jù)信息的存放路徑，本次實驗anchors數(shù)據(jù)的存放路徑為model_data/YOLO_anchors.txt。input_shape指的是輸入圖片的大小，其數(shù)值大小必須設(shè)置為32的倍數(shù)，通常取值有三個，分別是（320，320），（416，416），（608，608），主要根據(jù)電腦顯存大小和預(yù)測框大小進行選擇。本次實驗選用的輸入圖片大小為（416，416）。圖4.10預(yù)訓(xùn)練代碼預(yù)訓(xùn)練代碼如圖4-13所示。加載預(yù)訓(xùn)練模型進行遷移學(xué)習(xí)，為之后的訓(xùn)練提供了更好的初始化模型，避免過擬合，降低loss。預(yù)訓(xùn)練結(jié)束后的權(quán)重文件存放路徑為’logs/000/trained_weights_stage_1.h5’。（6）YOLO.py：定義的YOLO的檢測方法，測試階段可通過調(diào)用YOLO功能進行測試。圖4.11YOLO.py分?jǐn)?shù)和IOU是所有預(yù)測框的非最大抑制（NMS）的參數(shù)。（7）YOLO_video.py：圖像或視屏檢測。（8）YOLO_video_batch_test.py：批量測試代碼，實驗過程中將測試集圖片存放在keras-YOLO3/test內(nèi)，并且新建文件夾results，路徑為keras-YOLO3/results，用于存放檢測后的結(jié)果。圖4.12results文件夾4.3結(jié)果分析用經(jīng)由訓(xùn)練得到的trained_weight.h5權(quán)重文件分別進行預(yù)測和批量測試。4.3.1預(yù)測通過YOLO.py可以進行對單張圖片進行預(yù)測，檢測的類別分別是右轉(zhuǎn)綠燈，禁止停車，右轉(zhuǎn)紅燈，限速60。如圖4.13所示為右轉(zhuǎn)綠燈的檢測結(jié)果，其尺寸大小為0.98。圖4.13右轉(zhuǎn)綠燈如圖4.14所示為禁止停車的檢測結(jié)果，其尺寸大小為0.99。圖4.14禁止停車如圖4.15所示為右轉(zhuǎn)紅燈的檢測結(jié)果，其尺寸大小為0.99。圖4.15右轉(zhuǎn)紅燈如圖4.16所示為限速60和禁止停車的檢測結(jié)果，其尺寸大小分別為0.82、0.99。圖4.16限速60和禁止停車4.3.2批量測試通過YOLO_video_batch_test.py進行批量測試，測試結(jié)果存放于results文件夾內(nèi)。本次實驗檢測的類別分別是右轉(zhuǎn)綠燈，禁止停車，右轉(zhuǎn)紅燈，限速60，與其對應(yīng)的標(biāo)號分別是1、2、3、4。MAP曲線如圖4.17，其縱坐標(biāo)表示的是檢測類別，該模型準(zhǔn)確率達到了88.76%，其中對2號交通標(biāo)識（即禁止停車）的檢測效果最好，準(zhǔn)確率達到了97.53%，4號標(biāo)識（即限速60）的準(zhǔn)確率最低，為80.97%。圖4.17MAP曲線1號交通標(biāo)識（右轉(zhuǎn)綠燈）的PR曲線如圖4.18所示：圖4.18右轉(zhuǎn)綠燈的PR曲線2號交通標(biāo)識（禁止停車）的PR曲線如圖4.19所示：圖4.19禁止停車的PR曲線3號交通標(biāo)識（右轉(zhuǎn)紅燈）的PR曲線如圖4.20所示：圖4.20右轉(zhuǎn)紅燈的PR曲線4號交通標(biāo)識（限速60）的PR曲線如圖4.21所示：圖4.21限速60的PR曲線所有類別的檢測結(jié)果如圖4.22所示，共有989個預(yù)測文件。，紅色數(shù)字指的的FP的值，綠色數(shù)字指的是TP的值圖4.22類別檢測結(jié)果所有類別ground-truth檢測結(jié)果如圖4.23所示：圖4.23ground-truth檢測結(jié)果所有類別的平均錯誤檢測率如圖4.24所示：圖4.24誤檢率5結(jié)束語本設(shè)計主要對現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)算法進行一點改進，實現(xiàn)對交通標(biāo)志識別的更精確和更迅速的效果。在充分閱讀各種參考資料和國內(nèi)外文獻后，又對相關(guān)的實驗技術(shù)進行基礎(chǔ)學(xué)習(xí)，搜索交通標(biāo)志圖像數(shù)據(jù)集，最后嘗試將算法進行初步實現(xiàn)。在實現(xiàn)基本目標(biāo)后創(chuàng)建結(jié)果的簡單摘要和報告，并調(diào)試適當(dāng)?shù)某绦?。本次主要通過YOLOV3算法完成道路交通標(biāo)識信息識別，通過對道路交通標(biāo)識信息的檢測，檢測類別分別為右轉(zhuǎn)綠燈，禁止停車，右轉(zhuǎn)紅燈，限速60，模型對道路標(biāo)識類別檢測的準(zhǔn)確率為88.76%。對右轉(zhuǎn)綠燈的識別的準(zhǔn)確率為82.79%，對禁止停車的識別的準(zhǔn)確率為97.53%，對右轉(zhuǎn)紅燈的識別的準(zhǔn)確率為93.75%，對限速60的識別的準(zhǔn)確率為80.97%。限速60的標(biāo)識牌的誤檢率最小，右轉(zhuǎn)綠燈的信號燈檢測的誤檢率最大，可以思考如何改進。由于時間、水平有限，在預(yù)訓(xùn)練、損失函數(shù)等方面可以有進一步地提升，例如，調(diào)整損失函數(shù)、增加迭代次數(shù)、更改訓(xùn)練類別等來提高mPA值。在時間規(guī)劃上，通過預(yù)訓(xùn)練減少正式訓(xùn)練的時間，預(yù)留足夠的時間可以調(diào)整實驗參數(shù)。參考文獻[1]梁正友,耿經(jīng)邦,孫宇.基于改進殘差網(wǎng)絡(luò)的交通標(biāo)志識別算法[J].計算機與現(xiàn)代化,2022(04):52-57+64.[2]包曉敏,王思琪.基于深度學(xué)習(xí)的目標(biāo)檢測算法綜述[J].傳感器與微系統(tǒng),2022,41(04):5-9.DOI:10.13873/J.1000-9787(2022)04-0005-05.[3]李建偉.圖像分類問題的幾種深度學(xué)習(xí)策略[J].數(shù)字通信世界,2022(01):67-69.[4]單美靜,秦龍飛,張會兵.L-YOLO:適用于車載邊緣計算的實時交通標(biāo)識檢測模型[J].計算機科學(xué),2021,48(01):89-95.[5]范磊,艾昌文.時滯過程中流量調(diào)節(jié)的自適應(yīng)學(xué)習(xí)方法研究[J].自動化儀表,2020,