德國交通標誌訓練集的資料預處理

需要將其轉成.png格式。

每個資料夾下有.csv檔案（comma-separated values，標記）

裡面有roi

區域的座標，我們需要根據這個roi區域的座標，來分割出roi區域，並另存為字尾為.png的格式。

寫了資料轉換指令碼是transform.py。

再看資料夾裡面的

讀取每張影象，把每張影象的roi區域提取出來，再轉換為png的格式。指令碼rio.py

把train裡面的資料按20%的比例劃分為訓練集和測試集

指令碼train_valid_split.py

按照2:8分開訓練

訓練集包含39209張交通標誌。如圖可以看出，該資料集的資料分布很不均衡。

讀取訓練集的資料和標籤

x_train, y_train = read_additional_dataset_images(type='train')

x_test, y_test = read_additional_dataset_images(type='test')

image_list ,expected_answ= read__test_images()

def read__test_images():
#files = glob.glob('../gtsrb/dataset/test_bk/*/*.png')
files = glob.glob('../gtsrb/final_test/images_48x48/*.png')
image_list = 
expected_answ = 
test_csv_data = pd.read_csv("../gtsrb/final_test/images_48x48/gt-final_test.csv")
test_csv_data_arr = np.array(test_csv_data)
for index in range(test_csv_data_arr.shape[0]):
row_data = np.array(test_csv_data)[index][0]
row_data_list = row_data.split(";")
sample_file_name = row_data_list[0]
sample_label = row_data_list[-1]
#print(sample_file_name, sample_label)
# 00000.ppm 16
# 00001.ppm 1
# 00002.ppm 38
new_sample_file_name = sample_file_name.split(".")[0] + ".png"
# 00000.png
# 00001.png
# 00002.png
# 00003.png
output_image = cv2.imread('../gtsrb/final_test/images_48x48/'+new_sample_file_name, 0)
#print('../gtsrb/final_test/images_48x48/'+new_sample_file_name)
image_list = np.array(image_list)
return image_list, expected_answ

交通標誌的檢測與識別

正在投稿中，專案已開源在github article,author journal number pages year publisher 如果本文幫助了您，請您引用我們的 本科畢業設計的時候曾經做過交通標誌的檢測與識別，這個作為很好的影象處理與識別領域的入門project還是非常不錯的.交通場景圖...

「基於深度學習的交通標誌識別」總結

我了解到深度學習是機器學習中的乙個新的領域，其是為了建立模擬人腦進行分析學習的神經網路。深度學習分為監督學習和無監督學習，其中卷積神經網路 簡稱cnn 是深度的監督學習下的機器學習模型，深度置信網是一種無監督學習下的機器學習模型。深度學習的特點是用非監督式或半監督式的特徵學習和分成特徵來提取高效演算...

交通標誌的檢測 分類的方法整理（自己的方法）

2.交通標誌的分類方法 3.需要改進的地方 這個應該是一年前寫完的。突然發現還躺在草稿裡，沒有發布出來 當時剛開始學檢測，實驗室也沒有師兄是這個方向的，所以沒有將檢測結果除錯的很好。最終，我採取的方法是在檢測結果後面在加乙個分類實現的檢測 注意我這裡的檢測加分類不是網路結構層面的two stage，...