1. 研究目的与意义
随着科学技术的发展，深度学习网络自10年前后大规模迸发，各类算法、网络逐步涌现，至今已发展出较为完善的体系。
在传统的交通标志识别领域，大多采用图像处理技术，如二值化等将图像数据处理为机器可以识别的数据，这类方式多使用滑动窗口检测，所以速度较慢，且对于不同种类型的标志需要不同类型的算法，鲁棒性不高，更无法识别出物体与背景间的关系，这些缺点对于自动驾驶所要求的智能化，实时化是致命的，因此，近十年来迅速发展的机器学习成功弯道超车，一系列图像识别算法近乎在交通标志识别领域将图像处理技术彻底取代，成为智能驾驶技术中的基础理论。
本课题借着特斯拉自动汽车的发行及智能交通逐步普及，基于深度学习对交通标志识别系统进行一定的分析。
2. 研究内容与预期目标
本课题主要对基于深度学习的交通标志信号识别系统进行了深入的研究，研究的内容主要包括交通标志信号检测及定位、 交通信号识别深度学习网络的构建、将训练好的模型迁移至移动端。
研究内容：
1.尝试用开源目标检测算法YOLOv5实现交通标志信号检测。
3. 研究方法与步骤
先配置环境，PyTorch与tensorflow对于深度学习足够友好，且预置算法丰富，足以搭建出一个简单的识别分类网络。
接下来分为三部分，第一部分是构建数据集，德国交通标志识别基准(GTSRB)是自动驾驶领域的多类别图像分类数据集，首次发表于2011年的IJCNN，官方所提供的训练数据自2011发表以来一直处于更新维护状态，最近一次是在2019年5月，短期内不会与现实中的交通标志脱节，同时，由于该数据集是用于图像识别领域的，需要评估该数据集对目标检测识别效果如何。
第二部分是构建适配交通标志识别后yolov5网络并进行训练，参考github开源代码。
4. 参考文献
[1]黄琳, 张尤赛. 应用深层卷积神经网络的交通标志识别[J]. 现代电子技术, 2015, 38(13):6.[2]刘占文, 赵祥模, 李强,等. 基于图模型与卷积神经网络的交通标志识别方法[J]. 交通运输工程学报, 2016, 16(5):10.[3]宋文杰, 付梦印, 杨毅. 一种面向无人驾驶汽车的高效交通标志识别方法[J]. 机器人, 2015, 37(1):10.[4] Redmon J ,Farhadi A . YOLO9000: Better, Faster, Stronger[J]. IEEE Conference on Computer Vision amp; Pattern Recognition, 2017:6517-6525.[5] Redmon J ,Farhadi A . YOLOv3: An Incremental Improvement[J]. arXiv e-prints, 2018.[6]吕禾丰, 陆华才. 基于YOLOv5算法的交通标志识别技术研究[J]. 电子测量与仪器学报, 2021, 35(10):8.[7]薛之昕, 郑英豪, 肖建,等. 基于多尺度卷积神经网络的交通标志识别[J]. 计算机工程, 2020, 46(3):6.[8]江金洪、鲍胜利、史文旭、韦振坤. 基于YOLO v3算法改进的交通标志识别算法[J]. 计算机应用, 2020, 40(8):7.[9]伍晓晖. 基于深度学习的交通标志识别算法研究[D]. 北京建筑大学, 2020.[10]苏正青, 马巧梅. 基于卷积神经网络的交通标志模糊影像识别[J]. 计算机仿真, 2020, 37(1):5.[11]程越, 刘志刚. 基于轻量型卷积神经网络的交通标志识别方法[J]. 计算机系统应用, 2020, 29(2):7.[12]杨晋生, 杨雁南, 李天骄. 基于深度可分离卷积的交通标志识别算法[J]. 液晶与显示, 2019(12):11.[13]王海, 王宽, 蔡英凤,等. 基于改进级联卷积神经网络的交通标志识别[J]. 汽车工程, 2020, 42(9):8.[14]陈梦涛, 余粟. 基于改进YOLOV4模型的交通标志识别研究[J]. 微电子学与计算机, 2022, 39(1):9.[15]汪贵平, 盛广峰, 黄鹤,等. 基于改进LeNet-5网络的交通标志识别方法[J]. 科学技术与工程, 2018, 18(34):7.
5. 工作计划
3.01--3.20，熟悉课题背景，查阅中英文资料，完成毕设开题。
3.21--4.30，开展课题内容，完成课题的主要实验工作和程序调试。
5.01--5.10，撰写毕设论文初稿并完成中英文翻译。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
