1.前言

限速交通標志識別在ADAS或者自動駕駛領域中相對基礎的范疇，因此限速交通標志識別的要求都是又快又準，同時使用相對簡單的方法實現，本文將整個限速交通標志檢測與分類的過程以及實現方法。不過實際場景中，會出現限速交通標志容易被阻擋，或是離當前車道很遠無法檢測出來等問題有待解決，而且都具有一定挑戰性。

2.限速交通標志分類流程

1.交通標志位置與大小檢測：使用物體檢測的CNN完成，本人使用的是yolo。

2.交通標志位置校正：物體檢測出來的結果并不能很好的保證一定是完整的交通標志，因此需要對檢測到的交通位置進行調整，這里使用模板匹配以及霍夫變換進行校正。因為限速交通標志都是紅色外框，白底黑字，這些先驗知識對位置調整有很好的作用；同時限速交通標志一定是原型或者橢圓形，霍夫變換后的圓形尋找可以提供幫助。
先驗·模板圖：

霍夫圓：

3.交通標志分類： 交通標志分類使用CNN，結構如下圖，

4.交通樣本處理
1）獲取對應分類樣本，如20，30，…100, 以及other類，這里的other類選擇沒有準確找到限速標志的圖片以及屬于交通標志但不是限速標志的圖片。
沒有找到準確位置限速標志：

屬于交通標志但不是限速標志：

2）數據增強，調整色調，飽和度，曝光，角度以及透視變換
3）樣本圖片為灰度圖以及進行均衡化處理

3.限速標志分類效果

視頻地址：優酷土豆上傳不了
csdn下載：trafficsign_video
不知為何需要積分下載，如有需要請留下郵箱

4.總結

1.限速交通標志分類準確率可以達到90%以上。
2.對于單個交通標志的情況，基本不會出現錯檢，仍有漏檢; 對于有多個交通標志的情況，漏檢可能性增大。
3.交通標志分類依賴于物體檢測的結果，但是物體檢測對于較遠的情況難以得到準確的位置。
4.限重標志以及解除限制標志會對限速標志分類準確性有較大影響。

最后上傳訓練好的caffe模型：
trafficsign_caffemodel

總結

以上是生活随笔為你收集整理的卷积神经网络CNN（7）—— 限速交通标志分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。