GB 5768.2-2009 道路交通标志和标线 第2部分：道路交通标志

告知：需要学习YOLOv4进行TT100K数据集上中国交通标志识别的学员请前往(1) Ubuntu系统《YOLOv4目标检测实战：中国交通标志识别》课程链接：https://edu.csdn.net/course/detail/29362(2)《Windows版YOLOv4目标检测实战：中国交通标志识别》课程链接：https://edu.csdn.net/course/detail/29363 在无人驾驶中，交通标志识别是一项重要的任务。本课程中的项目以美国交通标志数据集LISA为训练对象，采用YOLOv3目标检测方法实现实时交通标志识别。具体项目过程包括包括：安装Darknet、下载LISA交通标志数据集、数据集格式转换、修改配置文件、训练LISA数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类。YOLOv3基于深度学习，可以实时地进行端到端的目标检测，以速度快见长。本课程将手把手地教大家使用YOLOv3实现交通标志的多目标检测。本课程的YOLOv3使用Darknet，在Ubuntu系统上做项目演示。 Darknet是使用C语言实现的轻型开源深度学习框架

MATLAB交通 标志 识别，输入视频，对视频流进行识别。可制作GUI界面。可做成蓝色 ，黄色和 红色的交通标志 识别。

MATLAB交通标志识别，识别对象是视频。

基于颜色与形状的实景交通标志分类研究，李辰，杨杰，针对全国三大类交通标志的基本特征，设计一种快速有效的分类方式与标准，实验中将实景交通标志在RGB和HSV色彩空间分别做颜色分割，

该课题为基于Matlab的交通标志识别系统。带有一个人机交互界面。可以判别红色精灵蓝色指示和黄色警示三类交通标志。可以进行二次拓展，也就是每次识别不需要人为手工的去选择颜色。也可以进行视频的识别。识别之后可以进行语音播报。

这个数据集是开源出来的数据集，目前只能下载下来训练集，因此要保存一份到csdn上面，这个数据集是非常重要的虽然只有170M

为了实现在复杂环境下具有较高准确率的交通标志识别以及在小样本情况下也能良好工作的识别网络，提出一种基于卷积神经网络和多类SVM的交通标志识别模型。此模型不需人工设计特征提取算法，且在小样本训练集上也能训练出具有较高准确率的分类模型。除此之外，利用迁移学习策略，避免重新初始化卷积神经网络，在节省大量样本与训练时间的同时能有效避免过拟合的发生。实验结果表明，提出的分类模型在小样本训练集上进行训练后得到的模型在实际测试中有较好的表现且对处于复杂背景下和严重畸变的交通标志具有可靠的识别能力和良好分类结果。

道路交通标志的检测与识别技术研究。分类器采用SVM

交通标志识别(TSR)系统是智能交通系统的重要研究方向。道路交通环境复杂、交通标志数据库规模庞大等因素导致在设计TSR系统可行性方案时必须考虑计算复杂度和识别率。提出了一种高效且快速的基于改进主成分分析(PCA)法和极限学习机(ELM)的TSR算法, 被称为PCA-HOG。该算法首先提取交通标志数据库中每个交通标志的梯度方向直方图(HOG)特征, 利用改进PCA算法对提取出的HOG特征进行降维处理, 之后利用降维后的HOG特征进行ELM模型训练, 利用经过训练的ELM模型识别测试图片。实验结果表明, 基于PCA-HOG和ELM模型的交通标志识别算法获得的计算复杂度低, 图像识别率可达97.69%。