基于卷积神经网络CNN的交通标志检测与识别源码+模型+使用说明

# 机器学习课设 # 交通标志识别 ## 交通标志识别的作用： 有几种不同类型的交通标志，如限速，禁止进入，交通信号灯，左转或右转，儿童交叉口，不通过重型车辆等。交通标志分类是识别交通标志所属类别的过程。 在本项目中，通过构建一个深度神经网络模型，可以将图像中存在的交通标志分类为不同的类别。通过该模型，我们能够读取和理解交通标志，这对所有自动驾驶汽车来说都是一项非常重要的任务。 ## 交通标志数据集： 数据集包含超过50，000张不同交通标志的图像。它被进一步分为43个不同的类。数据集变化很大，一些类有许多图像，而一些类有很少的图像。数据集的大小约为 300 MB。数据集有一个训练文件夹，其中包含每个类中的图像和一个测试文件夹，我们将用于测试我们的模型。 ## 构建此交通标志分类模型的方法分为四个步骤： 1. 浏览分析数据集 1. 构建 CNN 模型并训练 1. 验证模型 1. 使用测试数据集测试模型 ### 步骤1：浏览分析数据集 “train”文件夹包含 43 个文件夹，每个文件夹代表不同的类别。文件夹的范围是从 0 到 42。迭代所有类，并在数据和标签列表中附加图像及其各自的标签。 所有图像及其标签存储到列表（数据和标签）中，再将列表转换为 numpy 数组，以便提供给模型使用，数据的形状为 （39209， 30， 30， 3），这意味着有 39，209 张大小为 30×30 像素的图像，最后的 3 表示数据包含彩色图像（RGB 值）。  ``` folders = os.listdir(train_path) train_number = [] # 训练集中该类别的数量 class_num = [] # 类别 for folder in folders: if folder=='.ipynb_checkpoints': continue print(folder) print(classes[int(folder)]) train_files = os.listdir(train_path + '/' + folder) train_number.append(len(train_files)) class_num.append(classes[int(folder)]) # 根据每个类中的图像数量对数据集进行排序 zipped_lists = zip(train_number, class_num) sorted_pairs = sorted(zipped_lists) tuples = zip(*sorted_pairs) train_number, class_num = [ list(tuple) for tuple in tuples] # 绘制每个类中的图像数量 plt.figure(figsize=(21,10)) plt.bar(class_num, train_number) plt.xticks(class_num, rotation='vertical') plt.show() # 测试数据的 25 张随机图像 import random from matplotlib.image import imread test = pd.read_csv(data_dir + '/Test.csv') imgs = test["Path"].values plt.figure(figsize=(25,25)) for i in range(1,26): plt.subplot(5,5,i) random_img_path = data_dir + '/' + random.choice(imgs) rand_img = imread(random_img_path) plt.imshow(rand_img) plt.grid(b=None) plt.xlabel(rand_img.shape[1], fontsize = 20)#图片宽度 plt.ylabel(rand_img.shape[0], fontsize = 20)#图片高度 # 训练数据： image_data = [] image_labels = [] for i in range(NUM_CATEGORIES): path = data_dir + '/Train/' + str(i) if i == 43: continue images = os.listdir(path) for img in images: try: image = cv2.imread(path + '/' + img) image_fromarray = Image.fromarray(image, 'RGB') resize_image = image_fromarray.resize((IMG_HEIGHT, IMG_WIDTH)) image_data.append(np.array(resize_image)) image_labels.append(i) except: print("Error in " + img) # 将 list 更改为 numpy 数组 image_data = np.array(image_data) image_labels = np.array(image_labels) print(image_data.shape, image_labels.shape) # 打乱数据集 shuffle_indexes = np.arange(image_data.shape[0]) np.random.shuffle(shuffle_indexes) image_data = image_data[shuffle_indexes] image_labels = image_labels[shuffle_indexes] # 将数据拆分为训练集和验证集 X_train, X_val, y_train, y_val = train_test_split(image_data, image_labels, test_size=0.3, random_state=42, shuffle=True) # 图形归一化 X_train = X_train/255 X_val = X_val/255 print("X_train.shape", X_train.shape) print("X_valid.shape", X_val.shape) print("y_train.shape", y_train.shape) print("y_valid.shape", y_val.shape) # 独热编码： y_train = keras.utils.to_categorical(y_train, NUM_CATEGORIES) y_val = keras.utils.to_categorical(y_val, NUM_CATEGORIES) # 分为了43个独热编码： print(y_train.shape) print(y_val.shape) ``` 使用 train_test_split（） 方法来拆分训练和测试数据： 使用to_categorical方法将y_train和t_test中存在的标签转换为单热编码：  ### 步骤2：构建 CNN 模型 把图像分类到各自的类别中，构建一个CNN模型（卷积神经网络）（多分类）： ``` #################################################################### # 模型的训练： model = keras.models.Sequential([ #卷积层VGG #图像空间的2维卷积 # Conv2D层 滤波器=16 kernel_size=3*3 激活函数='relu' 输入input_shape # Conv2D层 滤波器=32 kernel_size=3*3 激活函数='relu' # 最大池化MaxPool2D层 pool_size=(2,2) # BatchNormalization 归一化 每一层都要归一化 keras.layers.Conv2D(filters=16, kernel_size=(3,3), activation='relu', input_shape=(IMG_HEIGHT,IMG_WIDTH,channels)), keras.layers.Conv2D(filters=32, kernel_size=(3,3), activation='relu'), keras.layers.MaxPool2D(pool_size=(2, 2)), keras.layers.BatchNormalization(axis=-1), keras.layers.Conv2D(filters=64, kernel_size=(3,3), activation='relu'), keras.layers.Conv2D(filters=128, kernel_size=(3,3), activation='relu'), keras.layers.MaxPool2D(pool_size=(2, 2)), keras.layers.BatchNormalization(axis=-1), # 全连接层 512个节点 激活函数='relu' # Flatten 多维数据的降维 # Dense 输出数组尺寸relu # Dropout 随机丢弃 防止过拟合提高效果 keras.layers.Flatten(), keras.layers.Dense(512, activation='relu'), # 全连接层 keras.layers.BatchNormalization(), keras.layers.Dropout(rate=0.5), #密集层43个节点，激活='softmax' keras.layers.Dense(43, activation='softmax') ]) lr = 0.001 # 训练30次 epochs = 30 # Adam优化器编译模型，多分类损失用categorical_crossentropy --> 自适应优化 opt = Adam(lr=lr, decay=lr / (epochs * 0.5)) model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy']) # 扩充数据并训练模型 # 批处理保存图片 aug = ImageDataGenerator( rotation_range=10, # 整数，随机选择图片的角度 zoom_range=0.15, # 浮点数或形如[lower,upper]的列表，随机缩放的幅度，若为浮点数 width_shift_range=0.1, # 浮点数，图片宽度的某个比例，数据提升时图片随机水平偏移的幅度 height_shift_range=0.1, shear_range=0.15, horizontal_flip=False, vertical_flip=False, fill_mode="nearest") model.summary() # 显示输出网络结构 history = model.fit(aug.flow(X_train, y_train, batch_size=32), epochs=epochs, validation_data=(X_val, y_val)) model.save('traffic_classifier.h5') Model: "sequential" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= conv2d (Conv2D) (None, 28, 28, 16) 448 _________________________________________________________________ conv2d_1 (Conv2D) (None, 26, 26, 32) 4640 _________________________________________________________________ max_pooling2d (MaxPooling2D) (None, 13, 13, 32) 0 _________________________________________________________________ batch_normalization (BatchNo (None, 13, 13, 32) 128 _________________________________________________________________ conv2d_