简介这是一份基于Matlab实现的交通标志识别系统毕业设计参考资料面向计算机、电子信息工程、数学等专业学生在课程设计、期末大作业或毕业设计中的算法仿真与界面开发需求。资源共36个文件包含mat数据文件、m脚本、jpg/png/bmp图片样本、fig界面文件及txt说明文档压缩包大小17.78MB。其中mat文件存储了卷积神经网络模型与精度、标签数据m脚本覆盖模型训练、测试及GUI交互逻辑图片集分为禁止、指示、警示三类便于直接开展实验验证。另有说明文档辅助理解整体流程与文件结构。包内提供红、蓝、黄三色网络的CNN模型如rednet_cnn.mat、bluenet_cnn.mat、yellownet_cnn.mat及对应precision和name文件可用于交通标志分类识别GUI界面保存为fig文件可运行查看识别效果并在此基础上修改功能。已有367人学习适合具备一定Matlab基础、希望参考完整系统方案进行二次开发的学生使用。1. 交通标志识别不是一张大而全的模型的事交通标志识别是Matlab毕业设计中出镜率很高的题目但这套源码给了一个经常被忽略的结论把禁止、警示、指示三类标志直接放进一个CNN里训练精度反而不如先按颜色分流、再用三个小CNN各自分类。原因很简单红色禁令标志的圆环、黄色警示标志的三角、蓝色指示标志的矩形它们的纹理和空间结构差异太大。系统的做法是用HSV颜色分割做粗分类再把裁剪后的区域分别交给rednet_cnn.mat、yellownet_cnn.mat、bluenet_cnn.mat三个训练好的网络做细分类同时提供Traffic_Iden.fig图形界面和说明文档适合作为课程设计、期末大作业或毕业设计基线工程。2. 按颜色分流的识别架构红黄蓝三个CNN与数据集组织2.1 为什么弃用单模型而选择颜色分流交通标志在国标GB5768里按颜色和形状可以快速分层禁止类为红色圆形警告类为黄色三角形指示类为蓝色圆形或矩形。如果只用单个CNN模型需要同时学习“区分颜色”和“区分形状/内部图案”这两类任务而颜色特征在灰度化后就会丢失反而把任务变难。这个工程的做法是把识别拆成两级流水线第一级用HSV色相H来判定当前画面里红、黄、蓝哪一通道占优第二级再由对应颜色的CNN去识别标志的具体含义。这样做有两个好处一是每个CNN只需要区分本类别内的标志类别少训练样本需求降低二是可以单独用红色模型去抓“禁令标志”数据增强不用整体重训。在实际部署时第一级分流并不需要非常精确。哪怕某个指示类标志因为光照发白被误判到黄色黄色模型也会给出一个低置信度的结果配合置信度阈值可以避免硬错误。源码里rby.m就是干这件事的入口读取一张图返回一个字符串。我的建议是在这里输出每个模型的softmax置信度而不只是最终标签这样GUI界面上能展示“可能是指示类置信度0.83”比直接显示一个结果更有说服力。2.2 源码文件与数据集组织下载解压后目录里最需要关心的不是四十多个离散文件而是三个按颜色分好的图片文件夹。禁止类、警示类、指示类这三个目录的名字本身就是在给训练脚本喂数据。剩下的是模型文件和各阶段的脚本对应关系可以按下面的表格来理解文件名角色说明禁止类/ , 警示类/ , 指示类/图片数据集原始样本可直接作为imageDatastore输入redmodle.m, yellowmodle.m, bluemodle.m训练脚本分别负责三个颜色模型的训练和保存rednet_cnn.mat, yellownet_cnn.mat, bluenet_cnn.mat训练好的网络用load加载后可直接classifyredprecision.mat, yellowprecision.mat, blueprecision.mat精度记录保存混淆矩阵或accuracy用于报告test.mat, yellowtest.mat, bluetest.mat测试集用于评估对应颜色模型Traffic_Iden.m, Traffic_Iden.figGUI程序回调函数与界面布局rby.m颜色分流函数GUI识别按钮会调用它signname.m映射显示把分类标签转换成“靠左侧道路行驶”等中文名png.m, jpg.m, we.m, mcnn.m辅助脚本图片格式转换、批量读取、主网络入口等其中rednet_cnn.mat和bluenet_cnn.mat都是完整的DAGNetwork对象加载后可以直接用classify函数测试不需要再定义网络结构。这也意味着如果要替换成自己的训练脚本只需要重新生成同样的mat变量名net就能无痛接入GUI。2.3 颜色分割的HSV阈值设定分流的第一步就是把RGB转为HSV。Matlab图像处理中最基础的就是HSV颜色分割但很多初学者直接在RGB空间里做img(:,:,1)200 img(:,:,2)100这种判断遇到底部阴影或者车窗反光就误检。HSV里H通道对光照变化更鲁棒红色区域需要同时处理H接近0和H接近1这两段因为色相环是环形的这是常见踩坑点。下面是一段可以在命令行单独验证的代码img imread(禁止类/6.jpg); hsv rgb2hsv(img); % 提取红色H接近0或接近1且饱和度S不能太低 maskRed (hsv(:,:,1) 0.05 | hsv(:,:,1) 0.95) hsv(:,:,2) 0.3; maskYellow hsv(:,:,1) 0.08 hsv(:,:,1) 0.15 hsv(:,:,2) 0.4; maskBlue hsv(:,:,1) 0.55 hsv(:,:,1) 0.70 hsv(:,:,2) 0.3; figure; subplot(2,2,1); imshow(img); subplot(2,2,2); imshowpair(img, repmat(uint8(maskRed), [1 1 3])); subplot(2,2,3); imshowpair(img, repmat(uint8(maskYellow), [1 1 3])); subplot(2,2,4); imshowpair(img, repmat(uint8(maskBlue), [1 1 3]));这里的H范围不是拍脑袋定的而是从数据集里随机抽20张图统计H直方图得到的经验值。代码中hsv(:,:,1)0.05 | hsv(:,:,1)0.95是红色两个区间的并集hsv(:,:,2)0.3用来排除灰白背景。imshowpair用于叠加显示掩膜和原图能看到哪些像素被选入。实际GUI运行时不显示掩膜只统计nnz(maskRed)等像素个数来做分流。3. 基于Matlab的CNN训练与模型导出以禁止类标志为例3.1 读取禁止类数据集并做预处理在深度学习Matlab工具箱的流程里第一步是不需要自己遍历图片的。用imageDatastore按文件夹名自动打标签比手写循环读图要省事得多。文件夹名字“禁止类”会直接成为类别标签的一部分所以训练前要确认标签正确。源码中redmodle.m的常见做法是使用LabelSource, foldernames。这里需要注意训练前统一resize到[32 32]或[28 28]。% redmodle.m 简化版训练红色禁止类标志CNN imds imageDatastore(禁止类, ... IncludeSubfolders, true, ... LabelSource, foldernames); % 统计标签和样本数 tbl countEachLabel(imds); disp(tbl); imgSize [32 32 3]; augmenter imageDataAugmenter( ... RandRotation, [-10 10], ... RandXTranslation, [-3 3], ... RandYTranslation, [-3 3], ... RandXScale, [0.9 1.1]); augimds augmentedImageDatastore(imgSize, imds, ... DataAugmentation, augmenter, ... OutputSizeMode, resize);说明augmentedImageDatastore不需要把所有图片读入内存而是在训练时动态增强并resize。这一行解决了数据集里bmp、jpg、png混存的问题。RandRotation是旋转增强交通标志拍照时角度会有小幅倾斜设置±10度足够如果设置到±30度会把“禁止驶入”的红色圆环增强成椭圆形反而干扰CNN学习圆环特征。OutputSizeMode, resize表示强行拉伸到32x32另一种选择是centercrop但会裁掉标志边缘信息。常用增强参数可以对照下面的表格增强参数设置值作用注意事项RandRotation[-10 10]处理拍摄角度倾斜过大会导致形状畸变RandXTranslation[-3 3]模拟标志偏离中心配合Y平移使用RandYTranslation[-3 3]模拟垂直偏移与X范围保持一致RandXScale[0.9 1.1]模拟远近变化1.1以内不会模糊OutputSizeModeresize统一输入尺寸标志长宽比变化不大3.2 构建卷积网络与训练选项这个工程没有使用预训练模型而是自己搭了一个小CNN。因为交通标志图案简单类别数不超过20类不需要ResNet级别深度。下面是源码中redmodle.m里网络结构的一个可运行版本layers [ imageInputLayer([32 32 3], Name, input) convolution2dLayer(3, 8, Padding, same, Name, conv1) batchNormalizationLayer(Name, bn1) reluLayer(Name, relu1) maxPooling2dLayer(2, Stride, 2, Name, pool1) convolution2dLayer(3, 16, Padding, same, Name, conv2) batchNormalizationLayer(Name, bn2) reluLayer(Name, relu2) maxPooling2dLayer(2, Stride, 2, Name, pool2) fullyConnectedLayer(20, Name, fc) softmaxLayer(Name, softmax) classificationLayer(Name, output)]; options trainingOptions(sgdm, ... InitialLearnRate, 0.01, ... MaxEpochs, 25, ... MiniBatchSize, 32, ... Shuffle, every-epoch, ... Verbose, true, ... ValidationFrequency, 10, ... Plots, training-progress); net trainNetwork(augimds, layers, options); save(rednet_cnn.mat, net);参数说明sgdm比adam更容易在样本量小的数据集上收敛也方便通过momentum调参InitialLearnRate设置为0.01对于32x32的小图是安全起点如果loss震荡就降到0.001。fullyConnectedLayer(20)表示禁止类最多20个子类具体数字要看countEachLabel的输出如果只有15类这个数字可以相应调小。trainNetwork返回的net直接保存为rednet_cnn.mat这个名字必须和GUI里load的保持一致。3.3 精度验证与模型保存训练完不能直接交差需要用一个没有参与训练的test.mat做验证。这里需要注意test.mat里面是四个变量还是结构体取决于当初保存时的写法。源码里一般会存成images和labels两个数组加载后可用混淆矩阵检查哪些类别容易混淆load(rednet_cnn.mat, net); % 加载训练好的网络 load(test.mat); % 假设包含 images 和 labels % test.mat 中部分样本可能来自其他颜色需要先做HSV过滤 YPred classify(net, images); acc sum(YPred labels) / numel(labels); fprintf(禁止类准确率: %.2f%%\n, acc * 100); figure; confusionchart(labels, YPred);这段代码里的images是HxWx3xN的四维数组如果改成augmentedImageDatastore代码需要同步调整。labels必须是categorical类型否则confusionchart会报错。从资源里的redprecision.mat结构看精度结果应该是经过这一步统计后存入的。保存精度时我一般会同时存一个redConfMat变量因为毕业设计报告中直接放混淆矩阵图比放一个孤零零的准确率数字更有说服力。4. GUI操作界面与实时识别流程从Traffic_Iden.m到fig4.1 GUIDE界面布局与回调函数Traffic_Iden.fig是GUIDE生成的窗体不要用openfig直接打开来改应该在MATLAB命令行输入guide Traffic_Iden.fig打开编辑器。界面上至少包含一个axes用于显示待识别图片一个“打开图片”按钮一个“开始识别”按钮以及一个文本框用于输出标志名称。fig文件和m文件是靠Tag属性关联的比如axes的Tag为axes1识别结果文本的Tag为textResult这些Tag名字在回调里被直接引用。如果自己重新布局记得把按钮的Callback生成否则点击无响应。常用控件对应关系如下控件Tag类型回调事件作用axes1Axes无显示待识别图片btnOpenPush ButtonCallback打开图片btnRecognizePush ButtonCallback执行识别textResultEdit Text无显示中文标志名4.2 打开图片与显示识别结果的完整代码下面是Traffic_Iden.m中两个核心回调函数的实现思路。第一个负责选择图片并在axes中显示第二个负责调用rby.m完成识别% “打开图片”按钮的Callback function btnOpen_Callback(hObject, eventdata, handles) [filename, pathname] uigetfile({*.jpg;*.png;*.bmp, 交通标志图片}); if isequal(filename, 0) return; end img imread(fullfile(pathname, filename)); axes(handles.axes1); imshow(img); handles.currentImg img; % 暂存图片供识别按钮使用 handles.currentPath fullfile(pathname, filename); guidata(hObject, handles); % 更新handles否则下一个回调读不到currentImg end % “开始识别”按钮的Callback function btnRecognize_Callback(hObject, eventdata, handles) if ~isfield(handles, currentImg) msgbox(请先选择图片, 提示); return; end name rby(handles.currentImg); % 颜色分流CNN细分类 set(handles.textResult, String, name); enduigetfile返回的是单个文件名和路径用fullfile拼成完整路径避免在Windows下手工加反斜杠出错。guidata(hObject, handles)这行非常关键如果没有它第二个回调里的handles不会包含currentImg字段。rby.m内部会自己load三个mat文件但如果在GUI打开时已经加载了网络可以在OpeningFcn里用handles.netRed load(rednet_cnn.mat)存起来识别时直接引用避免每次点击都做磁盘I/O。4.3 颜色分流函数rby.m的实现细节rby.m是整个系统的“路由中枢”。我根据资源里的命名还原了它的核心逻辑统计红、黄、蓝三种HSV掩膜的像素数像素数最多的颜色胜出然后把图片送入对应的CNN模型。注意图片在送入classify前必须resize成和训练时一致的[32 32 3]function result rby(img) hsv rgb2hsv(img); maskRed (hsv(:,:,1) 0.05 | hsv(:,:,1) 0.95) hsv(:,:,2) 0.3; maskYellow hsv(:,:,1) 0.08 hsv(:,:,1) 0.15 hsv(:,:,2) 0.4; maskBlue hsv(:,:,1) 0.55 hsv(:,:,1) 0.70 hsv(:,:,2) 0.3; redCount nnz(maskRed); yellowCount nnz(maskYellow); blueCount nnz(maskBlue); colors [redCount, yellowCount, blueCount]; [~, idx] max(colors); img32 imresize(img, [32 32]); switch idx case 1 load(rednet_cnn.mat, net); label classify(net, img32); result signname(label, red); case 2 load(yellownet_cnn.mat, net); label classify(net, img32); result signname(label, yellow); otherwise load(bluenet_cnn.mat, net); label classify(net, img32); result signname(label, blue); end end这段代码中最容易被忽略的是signname(label, red)。因为网络输出的是英文或数字编号标签必须通过signname.m映射成“向左急转弯”、“禁止行人通行”这样的中文名称。signname里维护着一个容器Mapkey是数组value是中文说明如果key长度不一致在使用时要用string(label)转换。另外如果图片里没有标志而是纯背景三个颜色mask的像素数都会很少这时max选出的颜色没有意义。我一般会在max之前加一个判断if max(colors) 500, result 未检测到标志; return; end这能避免纯色背景被强行分类到某个模型里。5. 用错误样本反推颜色阈值毕设答辩前最重要的验证方法5.1 批处理测试与错误样本导出在GUI上一次测一张图片很慢所以我建议在交付前先写一段批处理脚本遍历整个测试集把识别错误的图片保存到一个固定目录。这样不仅能算出真实的准确率还能用图片编辑器逐张看是颜色分流错了还是CNN细分类错了。testFiles dir(测试集/**/*.jpg); mkdir(error/); for i 1:length(testFiles) img imread(fullfile(testFiles(i).folder, testFiles(i).name)); pred rby(img); trueName extractTrueName(testFiles(i).name); % 根据文件名规则提取真值 if ~strcmp(pred, trueName) imwrite(img, fullfile(error, sprintf(%d_%s_%s.jpg, i, pred, trueName))); end end当错误样本被导出后第二件事就是区分错误类型。如果一张“向右转弯”被识别成“向右急转弯”说明两个类的训练样本不够多或者卷积层提取的纹理特征太相似如果一张“向右转弯”被识别成“注意行人”多半是颜色分流阶段出了偏差因为这两个标志的视觉结构完全不相关。区分错误来源后优先调颜色的HSV阈值还是优先加数据增强决策就清晰了。5.2 调整HSV阈值或做ROI裁剪对于颜色分流阶段的错误最直观的是使用colorThresholder这个App。在MATLAB命令行输入colorThresholder导入一张误检图片用交互式滑块调整H、S、V范围并导出掩膜然后把新阈值复制回rby.m。但要注意红色通道的H阈值不要过度扩大否则会把橙色警示标志也判定为红色这是我在测试时最常碰到的坑。参考阈值是红色H0.05或H0.95黄色在0.08~0.15蓝色在0.55~0.70。另一个更稳妥的做法是先做ROI裁剪再分类而不是对整张图做分流。用regionprops找出面积最大的连通域并计算包围盒然后只对这个区域做CNN识别。这个改动也适合在GUI中处理带复杂背景的真实照片。例如grayImg rgb2gray(img); bw imbinarize(grayImg, adaptive); bw imopen(bw, strel(disk, 5)); stats regionprops(bw, BoundingBox, Area); [~, idx] max([stats.Area]); roi imcrop(img, stats(idx).BoundingBox); result rby(imresize(roi, [32 32]));这段代码先把图像二值化用形态学开运算去掉细小噪点然后选出面积最大的连通域作为标志区域。需要注意imbinarize的自适应阈值对强光照射的白底标志容易把内部图案一起变成白色这时可以在二值化前面先做光照归一化或者直接使用HSV的S通道作为二值化输入。这个技巧应对毕业答辩现场的实时摄像头测试会比纯GUI手动选图更能扛住提问。本文还有配套的精品资源点击获取
基于Matlab与HSV颜色分流的交通标志识别CNN系统设计
简介这是一份基于Matlab实现的交通标志识别系统毕业设计参考资料面向计算机、电子信息工程、数学等专业学生在课程设计、期末大作业或毕业设计中的算法仿真与界面开发需求。资源共36个文件包含mat数据文件、m脚本、jpg/png/bmp图片样本、fig界面文件及txt说明文档压缩包大小17.78MB。其中mat文件存储了卷积神经网络模型与精度、标签数据m脚本覆盖模型训练、测试及GUI交互逻辑图片集分为禁止、指示、警示三类便于直接开展实验验证。另有说明文档辅助理解整体流程与文件结构。包内提供红、蓝、黄三色网络的CNN模型如rednet_cnn.mat、bluenet_cnn.mat、yellownet_cnn.mat及对应precision和name文件可用于交通标志分类识别GUI界面保存为fig文件可运行查看识别效果并在此基础上修改功能。已有367人学习适合具备一定Matlab基础、希望参考完整系统方案进行二次开发的学生使用。1. 交通标志识别不是一张大而全的模型的事交通标志识别是Matlab毕业设计中出镜率很高的题目但这套源码给了一个经常被忽略的结论把禁止、警示、指示三类标志直接放进一个CNN里训练精度反而不如先按颜色分流、再用三个小CNN各自分类。原因很简单红色禁令标志的圆环、黄色警示标志的三角、蓝色指示标志的矩形它们的纹理和空间结构差异太大。系统的做法是用HSV颜色分割做粗分类再把裁剪后的区域分别交给rednet_cnn.mat、yellownet_cnn.mat、bluenet_cnn.mat三个训练好的网络做细分类同时提供Traffic_Iden.fig图形界面和说明文档适合作为课程设计、期末大作业或毕业设计基线工程。2. 按颜色分流的识别架构红黄蓝三个CNN与数据集组织2.1 为什么弃用单模型而选择颜色分流交通标志在国标GB5768里按颜色和形状可以快速分层禁止类为红色圆形警告类为黄色三角形指示类为蓝色圆形或矩形。如果只用单个CNN模型需要同时学习“区分颜色”和“区分形状/内部图案”这两类任务而颜色特征在灰度化后就会丢失反而把任务变难。这个工程的做法是把识别拆成两级流水线第一级用HSV色相H来判定当前画面里红、黄、蓝哪一通道占优第二级再由对应颜色的CNN去识别标志的具体含义。这样做有两个好处一是每个CNN只需要区分本类别内的标志类别少训练样本需求降低二是可以单独用红色模型去抓“禁令标志”数据增强不用整体重训。在实际部署时第一级分流并不需要非常精确。哪怕某个指示类标志因为光照发白被误判到黄色黄色模型也会给出一个低置信度的结果配合置信度阈值可以避免硬错误。源码里rby.m就是干这件事的入口读取一张图返回一个字符串。我的建议是在这里输出每个模型的softmax置信度而不只是最终标签这样GUI界面上能展示“可能是指示类置信度0.83”比直接显示一个结果更有说服力。2.2 源码文件与数据集组织下载解压后目录里最需要关心的不是四十多个离散文件而是三个按颜色分好的图片文件夹。禁止类、警示类、指示类这三个目录的名字本身就是在给训练脚本喂数据。剩下的是模型文件和各阶段的脚本对应关系可以按下面的表格来理解文件名角色说明禁止类/ , 警示类/ , 指示类/图片数据集原始样本可直接作为imageDatastore输入redmodle.m, yellowmodle.m, bluemodle.m训练脚本分别负责三个颜色模型的训练和保存rednet_cnn.mat, yellownet_cnn.mat, bluenet_cnn.mat训练好的网络用load加载后可直接classifyredprecision.mat, yellowprecision.mat, blueprecision.mat精度记录保存混淆矩阵或accuracy用于报告test.mat, yellowtest.mat, bluetest.mat测试集用于评估对应颜色模型Traffic_Iden.m, Traffic_Iden.figGUI程序回调函数与界面布局rby.m颜色分流函数GUI识别按钮会调用它signname.m映射显示把分类标签转换成“靠左侧道路行驶”等中文名png.m, jpg.m, we.m, mcnn.m辅助脚本图片格式转换、批量读取、主网络入口等其中rednet_cnn.mat和bluenet_cnn.mat都是完整的DAGNetwork对象加载后可以直接用classify函数测试不需要再定义网络结构。这也意味着如果要替换成自己的训练脚本只需要重新生成同样的mat变量名net就能无痛接入GUI。2.3 颜色分割的HSV阈值设定分流的第一步就是把RGB转为HSV。Matlab图像处理中最基础的就是HSV颜色分割但很多初学者直接在RGB空间里做img(:,:,1)200 img(:,:,2)100这种判断遇到底部阴影或者车窗反光就误检。HSV里H通道对光照变化更鲁棒红色区域需要同时处理H接近0和H接近1这两段因为色相环是环形的这是常见踩坑点。下面是一段可以在命令行单独验证的代码img imread(禁止类/6.jpg); hsv rgb2hsv(img); % 提取红色H接近0或接近1且饱和度S不能太低 maskRed (hsv(:,:,1) 0.05 | hsv(:,:,1) 0.95) hsv(:,:,2) 0.3; maskYellow hsv(:,:,1) 0.08 hsv(:,:,1) 0.15 hsv(:,:,2) 0.4; maskBlue hsv(:,:,1) 0.55 hsv(:,:,1) 0.70 hsv(:,:,2) 0.3; figure; subplot(2,2,1); imshow(img); subplot(2,2,2); imshowpair(img, repmat(uint8(maskRed), [1 1 3])); subplot(2,2,3); imshowpair(img, repmat(uint8(maskYellow), [1 1 3])); subplot(2,2,4); imshowpair(img, repmat(uint8(maskBlue), [1 1 3]));这里的H范围不是拍脑袋定的而是从数据集里随机抽20张图统计H直方图得到的经验值。代码中hsv(:,:,1)0.05 | hsv(:,:,1)0.95是红色两个区间的并集hsv(:,:,2)0.3用来排除灰白背景。imshowpair用于叠加显示掩膜和原图能看到哪些像素被选入。实际GUI运行时不显示掩膜只统计nnz(maskRed)等像素个数来做分流。3. 基于Matlab的CNN训练与模型导出以禁止类标志为例3.1 读取禁止类数据集并做预处理在深度学习Matlab工具箱的流程里第一步是不需要自己遍历图片的。用imageDatastore按文件夹名自动打标签比手写循环读图要省事得多。文件夹名字“禁止类”会直接成为类别标签的一部分所以训练前要确认标签正确。源码中redmodle.m的常见做法是使用LabelSource, foldernames。这里需要注意训练前统一resize到[32 32]或[28 28]。% redmodle.m 简化版训练红色禁止类标志CNN imds imageDatastore(禁止类, ... IncludeSubfolders, true, ... LabelSource, foldernames); % 统计标签和样本数 tbl countEachLabel(imds); disp(tbl); imgSize [32 32 3]; augmenter imageDataAugmenter( ... RandRotation, [-10 10], ... RandXTranslation, [-3 3], ... RandYTranslation, [-3 3], ... RandXScale, [0.9 1.1]); augimds augmentedImageDatastore(imgSize, imds, ... DataAugmentation, augmenter, ... OutputSizeMode, resize);说明augmentedImageDatastore不需要把所有图片读入内存而是在训练时动态增强并resize。这一行解决了数据集里bmp、jpg、png混存的问题。RandRotation是旋转增强交通标志拍照时角度会有小幅倾斜设置±10度足够如果设置到±30度会把“禁止驶入”的红色圆环增强成椭圆形反而干扰CNN学习圆环特征。OutputSizeMode, resize表示强行拉伸到32x32另一种选择是centercrop但会裁掉标志边缘信息。常用增强参数可以对照下面的表格增强参数设置值作用注意事项RandRotation[-10 10]处理拍摄角度倾斜过大会导致形状畸变RandXTranslation[-3 3]模拟标志偏离中心配合Y平移使用RandYTranslation[-3 3]模拟垂直偏移与X范围保持一致RandXScale[0.9 1.1]模拟远近变化1.1以内不会模糊OutputSizeModeresize统一输入尺寸标志长宽比变化不大3.2 构建卷积网络与训练选项这个工程没有使用预训练模型而是自己搭了一个小CNN。因为交通标志图案简单类别数不超过20类不需要ResNet级别深度。下面是源码中redmodle.m里网络结构的一个可运行版本layers [ imageInputLayer([32 32 3], Name, input) convolution2dLayer(3, 8, Padding, same, Name, conv1) batchNormalizationLayer(Name, bn1) reluLayer(Name, relu1) maxPooling2dLayer(2, Stride, 2, Name, pool1) convolution2dLayer(3, 16, Padding, same, Name, conv2) batchNormalizationLayer(Name, bn2) reluLayer(Name, relu2) maxPooling2dLayer(2, Stride, 2, Name, pool2) fullyConnectedLayer(20, Name, fc) softmaxLayer(Name, softmax) classificationLayer(Name, output)]; options trainingOptions(sgdm, ... InitialLearnRate, 0.01, ... MaxEpochs, 25, ... MiniBatchSize, 32, ... Shuffle, every-epoch, ... Verbose, true, ... ValidationFrequency, 10, ... Plots, training-progress); net trainNetwork(augimds, layers, options); save(rednet_cnn.mat, net);参数说明sgdm比adam更容易在样本量小的数据集上收敛也方便通过momentum调参InitialLearnRate设置为0.01对于32x32的小图是安全起点如果loss震荡就降到0.001。fullyConnectedLayer(20)表示禁止类最多20个子类具体数字要看countEachLabel的输出如果只有15类这个数字可以相应调小。trainNetwork返回的net直接保存为rednet_cnn.mat这个名字必须和GUI里load的保持一致。3.3 精度验证与模型保存训练完不能直接交差需要用一个没有参与训练的test.mat做验证。这里需要注意test.mat里面是四个变量还是结构体取决于当初保存时的写法。源码里一般会存成images和labels两个数组加载后可用混淆矩阵检查哪些类别容易混淆load(rednet_cnn.mat, net); % 加载训练好的网络 load(test.mat); % 假设包含 images 和 labels % test.mat 中部分样本可能来自其他颜色需要先做HSV过滤 YPred classify(net, images); acc sum(YPred labels) / numel(labels); fprintf(禁止类准确率: %.2f%%\n, acc * 100); figure; confusionchart(labels, YPred);这段代码里的images是HxWx3xN的四维数组如果改成augmentedImageDatastore代码需要同步调整。labels必须是categorical类型否则confusionchart会报错。从资源里的redprecision.mat结构看精度结果应该是经过这一步统计后存入的。保存精度时我一般会同时存一个redConfMat变量因为毕业设计报告中直接放混淆矩阵图比放一个孤零零的准确率数字更有说服力。4. GUI操作界面与实时识别流程从Traffic_Iden.m到fig4.1 GUIDE界面布局与回调函数Traffic_Iden.fig是GUIDE生成的窗体不要用openfig直接打开来改应该在MATLAB命令行输入guide Traffic_Iden.fig打开编辑器。界面上至少包含一个axes用于显示待识别图片一个“打开图片”按钮一个“开始识别”按钮以及一个文本框用于输出标志名称。fig文件和m文件是靠Tag属性关联的比如axes的Tag为axes1识别结果文本的Tag为textResult这些Tag名字在回调里被直接引用。如果自己重新布局记得把按钮的Callback生成否则点击无响应。常用控件对应关系如下控件Tag类型回调事件作用axes1Axes无显示待识别图片btnOpenPush ButtonCallback打开图片btnRecognizePush ButtonCallback执行识别textResultEdit Text无显示中文标志名4.2 打开图片与显示识别结果的完整代码下面是Traffic_Iden.m中两个核心回调函数的实现思路。第一个负责选择图片并在axes中显示第二个负责调用rby.m完成识别% “打开图片”按钮的Callback function btnOpen_Callback(hObject, eventdata, handles) [filename, pathname] uigetfile({*.jpg;*.png;*.bmp, 交通标志图片}); if isequal(filename, 0) return; end img imread(fullfile(pathname, filename)); axes(handles.axes1); imshow(img); handles.currentImg img; % 暂存图片供识别按钮使用 handles.currentPath fullfile(pathname, filename); guidata(hObject, handles); % 更新handles否则下一个回调读不到currentImg end % “开始识别”按钮的Callback function btnRecognize_Callback(hObject, eventdata, handles) if ~isfield(handles, currentImg) msgbox(请先选择图片, 提示); return; end name rby(handles.currentImg); % 颜色分流CNN细分类 set(handles.textResult, String, name); enduigetfile返回的是单个文件名和路径用fullfile拼成完整路径避免在Windows下手工加反斜杠出错。guidata(hObject, handles)这行非常关键如果没有它第二个回调里的handles不会包含currentImg字段。rby.m内部会自己load三个mat文件但如果在GUI打开时已经加载了网络可以在OpeningFcn里用handles.netRed load(rednet_cnn.mat)存起来识别时直接引用避免每次点击都做磁盘I/O。4.3 颜色分流函数rby.m的实现细节rby.m是整个系统的“路由中枢”。我根据资源里的命名还原了它的核心逻辑统计红、黄、蓝三种HSV掩膜的像素数像素数最多的颜色胜出然后把图片送入对应的CNN模型。注意图片在送入classify前必须resize成和训练时一致的[32 32 3]function result rby(img) hsv rgb2hsv(img); maskRed (hsv(:,:,1) 0.05 | hsv(:,:,1) 0.95) hsv(:,:,2) 0.3; maskYellow hsv(:,:,1) 0.08 hsv(:,:,1) 0.15 hsv(:,:,2) 0.4; maskBlue hsv(:,:,1) 0.55 hsv(:,:,1) 0.70 hsv(:,:,2) 0.3; redCount nnz(maskRed); yellowCount nnz(maskYellow); blueCount nnz(maskBlue); colors [redCount, yellowCount, blueCount]; [~, idx] max(colors); img32 imresize(img, [32 32]); switch idx case 1 load(rednet_cnn.mat, net); label classify(net, img32); result signname(label, red); case 2 load(yellownet_cnn.mat, net); label classify(net, img32); result signname(label, yellow); otherwise load(bluenet_cnn.mat, net); label classify(net, img32); result signname(label, blue); end end这段代码中最容易被忽略的是signname(label, red)。因为网络输出的是英文或数字编号标签必须通过signname.m映射成“向左急转弯”、“禁止行人通行”这样的中文名称。signname里维护着一个容器Mapkey是数组value是中文说明如果key长度不一致在使用时要用string(label)转换。另外如果图片里没有标志而是纯背景三个颜色mask的像素数都会很少这时max选出的颜色没有意义。我一般会在max之前加一个判断if max(colors) 500, result 未检测到标志; return; end这能避免纯色背景被强行分类到某个模型里。5. 用错误样本反推颜色阈值毕设答辩前最重要的验证方法5.1 批处理测试与错误样本导出在GUI上一次测一张图片很慢所以我建议在交付前先写一段批处理脚本遍历整个测试集把识别错误的图片保存到一个固定目录。这样不仅能算出真实的准确率还能用图片编辑器逐张看是颜色分流错了还是CNN细分类错了。testFiles dir(测试集/**/*.jpg); mkdir(error/); for i 1:length(testFiles) img imread(fullfile(testFiles(i).folder, testFiles(i).name)); pred rby(img); trueName extractTrueName(testFiles(i).name); % 根据文件名规则提取真值 if ~strcmp(pred, trueName) imwrite(img, fullfile(error, sprintf(%d_%s_%s.jpg, i, pred, trueName))); end end当错误样本被导出后第二件事就是区分错误类型。如果一张“向右转弯”被识别成“向右急转弯”说明两个类的训练样本不够多或者卷积层提取的纹理特征太相似如果一张“向右转弯”被识别成“注意行人”多半是颜色分流阶段出了偏差因为这两个标志的视觉结构完全不相关。区分错误来源后优先调颜色的HSV阈值还是优先加数据增强决策就清晰了。5.2 调整HSV阈值或做ROI裁剪对于颜色分流阶段的错误最直观的是使用colorThresholder这个App。在MATLAB命令行输入colorThresholder导入一张误检图片用交互式滑块调整H、S、V范围并导出掩膜然后把新阈值复制回rby.m。但要注意红色通道的H阈值不要过度扩大否则会把橙色警示标志也判定为红色这是我在测试时最常碰到的坑。参考阈值是红色H0.05或H0.95黄色在0.08~0.15蓝色在0.55~0.70。另一个更稳妥的做法是先做ROI裁剪再分类而不是对整张图做分流。用regionprops找出面积最大的连通域并计算包围盒然后只对这个区域做CNN识别。这个改动也适合在GUI中处理带复杂背景的真实照片。例如grayImg rgb2gray(img); bw imbinarize(grayImg, adaptive); bw imopen(bw, strel(disk, 5)); stats regionprops(bw, BoundingBox, Area); [~, idx] max([stats.Area]); roi imcrop(img, stats(idx).BoundingBox); result rby(imresize(roi, [32 32]));这段代码先把图像二值化用形态学开运算去掉细小噪点然后选出面积最大的连通域作为标志区域。需要注意imbinarize的自适应阈值对强光照射的白底标志容易把内部图案一起变成白色这时可以在二值化前面先做光照归一化或者直接使用HSV的S通道作为二值化输入。这个技巧应对毕业答辩现场的实时摄像头测试会比纯GUI手动选图更能扛住提问。本文还有配套的精品资源点击获取
