基于 MATLAB 的交通标志识别

设计和实现一个交通标志识别系统，主要包括交通标志的分类、提取、分割和识别功能。首先，我们收集并标注了包含禁止类、警示类和指示类的交通标志图片数据集，为算法训练和测试提供了高质量的数据支持。其次，系统实现了卷积神经网络（CNN） 用于分类、图像预处理和边缘检测用于标志提取、图像分割技术用于标志分割，以及深度学习模型用于标志识别。最后，通过 matlab 实现了一个用户友好的 GUI 界面，用户可以通过界面直观地完成读取图片、标志提取、分割标志和识别标志的操作。

1.实现用于训练前馈神经网络的函数

实现神经网络训练函数 BP_Prince，通过指定不同的参数可以训练不同结构和设置的神经网络模型。主要功能包括初始化网络、设置训练参数并进行训练，最后返回训练好的神经网络和训练过程中的记录。

2.实现了对交通标识图像的识别训练，使用的是基于 BP 神经网络的机器学习方法。

使用 sim 函数仿真神经网络，得到输出结果 T。

计算训练误差并绘制误差图。

打印训练误差和迭代次数。

绘制仿真数据与真实数据对比图，显示识别错误个数。

保存训练好的神经网络模型和相关数据。

实现了交通标识图像的训练和识别过程。

3.读取图片

让用户选择一个图片文件（支持多种格式）。

读取所选图片的数据。

在 GUI 的四个坐标系中的其中一个坐标系上显示所选图片。

同时，还对图像进行了一些预处理，清除坐标系、设置坐标系、显示灰度图等操作。

4.标志提取

1.获取颜色标志：

根据用户选择的单选按钮来确定颜色类型。单选按钮的句柄和状态通过 handles 结构传递进来。

如果 radiobutton3 被选中，则颜色标志 Color 被设置为 1（红色）。

如果 radiobutton4 被选中，则颜色标志 Color 被设置为 2（蓝色）。

如果 radiobutton5 被选中，则颜色标志 Color 被设置为 3（黄色）。

2.根据颜色标志处理图像：

根据 Color 的值，选择对应的图像通道或灰度化处理。

使用适当的颜色阈值条件（如红色、蓝色、黄色的条件）来生成二值图像 GI，以标识出符合条件的颜色区域。

3.显示处理结果

5.分割标志

1.图像处理操作

se = ones(3); 定义了一个大小为 3x3 的全 1 结构元素，用于后续的腐蚀和膨胀操作。

d = imdilate(d, se); 对图像进行膨胀操作，增强图像中的明显特征。

2.去除小对象

d = bwareaopen(d, 100); 移除面积小于 100 像素的对象，通常这些对象被认为是噪声或不相关的区域。

3.连通区域标记

L = bwlabel(d, 8); 使用 8 连通方法标记二值图像 d 中的连通区域，每个区域被赋予一个唯一的标签。

4.计算区域属性

Num = max(max(L)); 确定图像中的连通区域总数。

S = zeros(1, Num); 初始化一个数组，用于存储每个区域的面积。

5.区域属性计算

使用循环计算每个连通区域的面积，并存储在数组 S 中。

6.区域排序

sort(S, 'descend') 对区域面积进行降序排序，并获取排序后的索引 id。

7.选择区域

根据设定的条件（在这里是长宽比），选择最合适的区域作为兴趣区域。

8.提取兴趣区域

根据选定的区域范围，在原始图像 handles.I 中提取对应区域的像素数据。

如果条件满足（例如处理黄色对象），则调整提取范围以更好地包括感兴趣的区域。

9.显示处理结果

6.识别标志

1.获取图像数据

I = handles.Divice; 从 GUI 句柄中获取图像数据，存储在变量 I 中。

2.预加载数据和模型

load Name Name;、load Trained_BP Trained_BP;、load Data Data; 分别加载标签名称、训练好的神经网络模型和数据。

3.图像预处理

如果图像不是灰度图像，则使用 rgb2gray 函数将其转换为灰度图像。

imadjust 函数用于调整图像对比度。

imresize 将图像调整为 40x40 像素。

im2bw 将处理后的图像二值化，转换为黑白图像。

4.计算欧氏距离

distance 数组存储当前图像与预先存储数据中每个数据点的欧氏距离。

5.识别部分

神经网络识别：通过预先训练的神经网络模型 Trained_BP 对距离数组 distance 进行预测，并找到最接近 1 的输出作为识别结果。

模板匹配：如果不需要神经网络识别，可以使用距离数组中最小距离对应的标签作为识别结果。

7.退出程序

禁止标志识别（红色）

警示标志识别（黄色）

指示标志识别（蓝色）