摘要：交通标志检测是交通标志识别系统的关键技术，对驾驶员驾驶汽车起到很好的辅助作用。深度学习是正在快速兴起的新技术，将深度学习应用于目标检测领域成为了研究热点，本课题研究了深度学习技术在交通标志检测的应用。

本课题主要是利用深度学习模型Faster-RCNN对自然场景中的交通标志进行检测研究，实现了复杂自然场景图像中交通标志检测功能。本课题采用了德国交通标志检测数据集GTSDB对Faster-RCNN进行了训练，能够检测出禁止类、危险类、指示类和其它类四种交通标志。先将900幅自然场景图片划分成训练集、验证集和测试集，再根据德国交通标志检测数据集提供的标注信息来生成标注文件，并对CNN网络进行训练。最后对训练好的深度学习模型进行测试并做出性能评估。

利用python编程语言对检测算法进行了软件实现，训练获取了交通标志检测学习模型，并对测试集进行了算法性能测试，取得了一定的检测效果。今后，将通过数据集增广算法的研究，进一步提升检测性能。

关键词：深度学习；CNN；Faster-RCNN；交通标志检测；数据集

目录

摘要

Abstract

1 绪论-1

1.1 课题研究的背景及意义-1

1.2 课题研究的现状-1

1.3 课题研究的主要内容-2

2 理论研究-3

2.1 深度学习技术-3

2.2 基于深度学习的目标检测算法-3

2.2.1 CNN-3

2.2.2 RCNN-4

2.2.3 Fast-RCNN-4

2.2.4 Faster-RCNN-5

2.3 数据集的介绍-6

2.3.1 Pascal voc 2007-6

2.3.2 德国交通标志检测数据集-6

3 基于Faster-RCNN的交通标志检测方法-8

3.1 数据集的划分-8

3.2 标注文件的生成-9

3.3 训练Faster-RCNN模型-12

4 实验与分析-13

4.1 数据集划分结果-13

4.2 标注文件生成结果-14

4.3 交通标志检测测试结果及分析-16

结    论-20

参 考 文 献-21

附录A 数据集划分程序-22

附录B 标注文件生成程序-25

致    谢-30