实时交通标志检测和分类（附代码）

简介与效果

本项目是一个基于 OpenCV 的交通标志检测和分类系统，可以在视频中实时检测和分类交通标志。检测阶段使用图像处理技术，在每个视频帧上创建轮廓并找出其中的所有椭圆或圆形。它们被标记为交通标志的候选项。

检测策略：

1. 增加视频帧的对比度和动态范围
2. 增加视频帧的对比度和动态范围
3. 使用 HSV 颜色范围删除不必要的颜色，如绿色
4. 使用高斯拉普拉斯算子显示对象的边缘
5. 通过二值化生成轮廓
6. 检测椭圆状和圆形状的轮廓

在接下来的分类阶段，根据候选项的坐标从原始帧中裁剪出一组图像。预先训练的 SVM 模型将对这些图像进行分类，以确定它们属于哪种类型的交通标志。

所有属于类别 8 及以上的标志都被标记为“其他”，因为这是一个竞赛的要求。还有一个类别 0，被标记为非交通标志。只有当前帧中最大的标志被裁剪和分类。

SVM 模型在每次调用 main.py 时进行训练，但我仍然保存该模型在 data_svm.dat 中，以便在未来实现模型重新加载功能，避免重新训练。

如果检测到交通标志，它将被跟踪，直到它消失或者帧中出现更大的标志。跟踪方法是稠密光流法。

环境搭建与文件介绍

1. 先决条件： Python 3.5 OpenCV3 Imutils（使用 pip3 install imutils 安装）
2. 系统结构 a. 有 3 个 Python 文件作为 3 个模块： main.py：程序的起始点。
   classification.py：用于分类交通标志的 SVM 模型。 common.py：用于定义 SVM 模型的函数。
3. 其他文件： data_svm.dat：训练后保存的 SVM 模型。

安装

有两种运行程序的方式

1. Use default arguments:

$python3 main.py

2. Use custom arguments:
   使用默认参数：

$python3 main.py
optional arguments:
  -h, --help            show this help message and exit
  --file_name FILE_NAME
                        Video to be analyzed
  --min_size_components MIN_SIZE_COMPONENTS
                        Min size component to be reserved
  --similitary_contour_with_circle SIMILITARY_CONTOUR_WITH_CIRCLE
                        Similarly to a circle

结论与效果展示

我们使用GTSRB数据集训练了两个不同的模型来检测和识别交通标志。在测试数据集上，我们的模型表现出了良好的准确性和鲁棒性。未来，我们将继续改进我们的模型，以提高其在各种环境下的性能。效果展示 代码可私信