由于上传资源大小限制，本资源包括GTSRB德国交通标志训练集，非常适合初次接触深度学习交通识别领域的人进行学习使用。

点击绿色三角形运行按钮，弹出对话框问你是否改变路径，选择是，这样matlab才会到 文件夹所在路径调取图像，否则路径就是到默认的matlab路径调取图像，导致路径错误

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。

该数据集是自己收集制作，实际项目所用，数据集质量可靠。一共有10种交通标志，分别是[‘ahead’, ‘clearway_no_stopping’, ‘crosswalk’, ‘motorway’, ‘non-motorized_lane’, ‘speed_limit_50’, ‘split-way’, ‘turn_left’, ‘turn_right’, ‘warning_sign’]。资源中数据集分为两种，一种是28x28大小的，另外一种是224x224大小。已做好分类，直接用。 使用于各种常见的cnn分类算法，适合于深度学习初学者学习。欢迎下载，有什么问题可私信沟通~

资源为交通标志数据，数据类别为10类，有1956张，数据格式已转换为MNIST手写字数据格式（文件名分别是t10k-images-idx3-ubyte，t10k-labels-idx1-ubyte，train-images-idx3-ubyte，train-labels-idx1-ubyte），可以直接替换MNIST手写字体数据使用，pytorch框架可直接用torchvision.datasets.MNIST调用，无需再更改数据加载方式，非常方便。可用于各种分类算法训练验证，如cnn或者snn。 【备注】：若需帮助转换自建分类数据格式 为MNIST数据格式，请私信我 欢迎下载使用，有问题可以私信留言~

道路交通标志线 第三部分 市政工程道路 GB5768-2009-第三部分

基于sift特征匹配的交通标志识别系统 (1)在复杂背景下的交通信号分割研究中，通过在HSV颜色空间中选择合适的阈值范围，提取出可能出现目标的区域。最后，根据形状学特征在最大的预留区域再次搜索三角形，圆圈提取目标区域。在此基础上，对大量交通标志进行了图像分割实验。经验表明，HSV彩色区域的交通标志分割效果更好。 (2)选择SIFT特征，即满足旋转、平移和比例不变要求的特征向量。提出了分割图像的想法。将图像分割成固定数量的子块，计算每个子块内SIFT向量的平均值，得到该图像的特征向量。整个设计带有一个可视化GUI界面，方便操作，布局合理。

由于上传资源大小限制，本资源包括GTSRB德国交通标志训练集，非常适合初次接触深度学习交通识别领域的人进行学习使用。

交通标志检测：交通标志检测

项目：建立交通标志识别程序 该项目 该项目的目标/步骤如下： 加载数据集 探索，总结和可视化数据集 设计，训练和测试模型架构 使用模型对新图像进行预测 分析新图像的softmax概率 用书面报告总结结果 依存关系 该项目要求： tensorflow-gpu == 1.7.0 scipy == 1.0.0 matplotlib == 2.0.0 numpy == 1.14.2 opencv-contrib-python == 3.4.0.12 sklearn == 0.18.2 数据集探索 数据集摘要 。 加载数据集和基本摘要 加载数据集后，我得到以下摘要信息： 训练例数：34799 测试例数：12630 验证示例数：4410 图像形状为：（32 32，3） 类数标签：43 探索性可视化 该图像网格表示从训练集中每个类别中选择的一个随机图像 分配 现在，我们将探索分