全文总字数：3840字

1. 研究目的与意义及国内外研究现状

随着我国综合国力的快速发展，公路交通事业发展逐渐成为强国之路的重要基石，同时我国也是世界上为数不多的车辆大国，在如此庞大的车辆基数下，交通管理便是工作重点。为了保障交通安全，提高交通管理效率，驾驶辅助设备、无人驾驶技术一直以来是科技界、工业界的前沿技术。而随着人工智能、机器学习、深度学习、大数据分析等技术的蓬勃发展，驾驶辅助设备和无人驾驶技术也日新月异。而无论是对于驾驶辅助设备或是无人驾驶技术，对于道路交通标志的监测识别，都是重中之重。自2010年以来，道路交通标志监测识别技术逐渐发展成型，交通标志牌的目标检测识别是一种在场景图像中指出交通标志牌目标并对检测出的交通标志进行分类的研究问题，在道路场景监控系统，无人驾驶系统中有着广泛的应用。而道路上方交通标志是道路交通中最常用的交通标志，其特征在于位置的固定性（通常在道路视野范围的正上方）、干扰的限定性（几乎不存在遮挡，干扰主要来自背景与视觉几何变形，即蓝色的标志颜色难与天空背景区分，拍摄角度导致矩形变形等）、标志的复杂性（通常由文字与图形组合，分类模糊）。解决道路上方交通标志的检测识别，可以为驾驶辅助和无人驾驶提供极大的助力。

国内外研究现状

对于交通标志的检测与识别问题的研究国内外已经有近30年的历史，而单纯对于道路上方交通标志的研究却很少，介于道路上方交通标志的检测识别与自然场景的交通标志检测识别有非常大的相似性，所以此处仅介绍自然场景的交通标志检测识别的研究现状。

对于交通标志的识别主要分为两个步骤，目标检测和识别分类。在传统模型中目标检测往往和识别分类分开进行，基于手工设计特征[2]的检测模型被广泛应用于交通标志检测，lopez 等人[3]利用新型的颜色变换模型对颜色特征计算，快速找到重要的交通标志拍颜色，定位可能的候选区域；maldonado 等人[4]在做视频流中的交通标志牌检测时，将临时的底层几何特征的时间信息与标志牌的动态信息结合，并利用支持向量机模型从背景中区分出目标。在交通标志检测提取之后，在对提取的交通标志进行识别与分类，传统的识别分类的主要方法有bp神经网络、支持向量机（svm）等，而随着深度学习的火热卷积神经网络（cnn）成为识别分类的主要方法。

2. 研究的基本内容

由于道路上方交通标志的特殊性，采用传统检测模型也能取得较好效果，同时节约计算成本，本文主要研究以下内容

（1）基于机器视觉的道路上方交通标志的目标检测；

（2）道路上方交通标志的图形预处理（几何校正，图案增强等）；

3. 实施方案、进度安排及预期效果

4.1实施方案

（1）总体技术路线

本毕业设计旨在于解决道路上方交通标志的检测与识别，采用卷积神经网络（cnn）、文本检测器（east）、矩形检测、椭圆检测、hsv空间色彩检测等算法，基于python、opencv、tensorflow、matlab等平台实现。总体技术路线如下图所示。

4. 参考文献

[1] de l e a, moreno l e, salichs m a, et al. road traffic sign detection and classification[j]. ieee transactions on industrial electronics, 1997, 44(6):848-859.

[2] fang c y, chen s w, fuh c s. road-sign detection and tracking[j]. ieee transactions on vehicular technology, 2003, 52(5):1329-1341.

[3] lopez l d, fuentes o. color-based road sign detection and tracking[c]//international conference on image analysis and recognition. springer, berlin, heidelberg, 2007: 1138-1147.