基于CNN深度学习网络的交通标志识别

灯火不休时

发布于 2025-11-05 15:26:20

1060

基于CNN深度学习的交通标志识别系统，采用TensorFlow/Keras构建卷积神经网络模型，实现高达95%的识别准确率。项目使用Python开发，配备tkinter图形界面，支持图片上传与实时识别。包含完整训练数据集处理、模型训练与评估流程，代码开源，适用于深度学习入门与计算机视觉实践。项目源码托管于GitHub与Gitee。

38 次点击

37 分钟阅读

本项目实现了一个基于CNN深度学习的交通标志识别系统，使用Keras构建卷积神经网络，训练准确率高达95%。系统采用Python开发，配备友好的tkinter图形界面，支持用户上传图片并自动识别交通标志类型。项目包含完整的数据预处理、模型训练、评估与部署流程，代码开源，适合深度学习与计算机视觉的学习与实践。源码与数据集均已公开，欢迎访问GitHub或Gitee获取。项目地址：

Github仓库地址

Gitee仓库地址

环境搭建

安装Anaconda

可以去官网下载Anaconda的安装包，一键安装。国内用户可能下载会很慢，建议走镜像下载站，windows用户建议默认安装就好，不要改安装路径，所有设置默认即可。

Mac平台

Advance AI with Open Source | Anaconda 清华镜像源下载 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2020.11-MacOSX-x86%5C_64.pkg

Windows平台

Advance AI with Open Source | Anaconda 清华镜像源下载 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2020.11-Windows-x86%5C_64.exe

清华镜像源汇总 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

安装Pycharm

这里附上Pycharm官网，同Anaconda一样，默认所有设置点下一步安装即可。

下载 PyCharm：JetBrains 出品的用于数据科学和 Web 开发的 Python IDE

在PyCharm中搭建深度学习环境

之前博客专门写过一期搭建深度学习环境的教程，这里不再赘述。传送门：

利用PyCharm简化搭建深度学习环境(新手排坑) - 灯火不休时

创建项目

本项目托管于Github&Gitee平台，使用时可直接使用Git clone到本地运行即可。

Github仓库地址

Gitee仓库地址

Clone项目

打开Pycharm，点击Get from VCS按钮

在URL内填入Clone地址，然后点击右下角的Clone按钮

Clone完成后，如弹出该弹窗，点击Cancel取消创建虚拟环境，我们使用环境搭建步骤中所创建的环境：

在右下角点击No interpreter，然后选择Settings

在弹出的页面中，选择 Add...

之后按如下图操作，找到环境搭建时创建的 Anaconda 环境，这里为 DL 环境，然后选择，点击 OK：

如图所示，点击 OK:

安装项目所需包

点击底部的 terminal 然后在弹出的控制台中输入以下命令，然后回车，等待安装完成：

pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple

下载训练数据集

点击以下链接，下载训练模型所需的数据集下载地址：

百度网盘请输入提取码 Github发布页下载地址比较快：https://github.com/dhbxs/traffic-sign-recognition/releases/download/data/data.zip

将下载好的训练数据解压后，放到项目的根目录，如下图所示：

运行项目

用示例模型进行识别

双击打开gui.py文件，然后在代码空白处右击选择Run运行gui.py文件。

再打开的程序页面中选择上传图片

在上传图片对话框中选择一张交通标志图片，点击打开

如片上传完成后会在页面中显示，然后点击右边的识别按钮，识别结果会显示在页面中，如下图所示

用自己训练的模型进行识别

打开 traffic_sign.py 文件
将如图所示代码部分修改为自己平台类型，windows平台改为win，mac平台改为mac

右击文件，点击 Run 运行代码，运行时长与是否有独立显卡有关，耐心等待运行结束后，会生成一个名为 my_traffic_classifier.h5 的模型 h5 文件。
打开 gui.py 文件，修改模型路径名为刚刚生成的my_traffic_classifier.h5

运行 gui.py 文件查看效果

traffic_sign 开发文档

读取训练数据集

pc = "mac"  # 根据自己平台设置，mac表示苹果PC，win表示windowsPC

不同系统有不同的路径表示方法，windows上路径都是右斜杠 \ ，代码中必须分开写，以提高兼容性。我目前是mac系统，在mac系统中，路径都是左斜杠 / 。代码中通过设置 pc 变量的值来区分当前运行环境。

cur_path = os.getcwd()

log_path = ""

if pc == "mac":
    # 当前路径mac版
    log_path = os.getcwd() + "/log"
    print("当前平台" + pc)
    # 检索图像及其标签
    for i in range(classes):
        path = os.path.join(cur_path, 'data/Train', str(i))
        images = os.listdir(path)
        print("正在加载第%d类训练图片" % (i + 1))
        for a in images:
            # mac版
            try:
                image = Image.open(path + '/' + a)
                image = image.resize((30, 30))
                image = np.array(image)
                data.append(image)
                labels.append(i)
            except FileNotFoundError:
                print("加载训练集图片出错！")

elif pc == "win":
    # 当前路径设置为win版
    log_path = os.getcwd() + "\\log"
    print("当前平台" + pc)
    # 检索图像及其标签
    for i in range(classes):
        path = os.path.join(cur_path, 'data/Train', str(i))
        images = os.listdir(path)
        print("正在加载第%d类训练图片" % (i + 1))
        for a in images:
            try:
                image = Image.open(path + '\\' + a)
                image = image.resize((30, 30))
                image = np.array(image)
                data.append(image)
                labels.append(i)
            except FileNotFoundError:
                print("加载训练集图片出错！")
else:
    raise Exception('print("路径设置出错！")')

通过 if 判断 pc 变量的值，进而确定运行环境。通过 for 循环将 data 文件夹中的文件遍历后，将图片大小转换成 30x30 的像素大小并转换成 numpy 数组添加到 image 对象中。同时将文件所在路径保存到 data 列表中，以及将路径中携带的标签信息保存到 labels 列表中。

# 将列表转换为numpy数组
data = np.array(data)
labels = np.array(labels)

最后将 data 和 labels 列表转换为 numpy 数组。

清洗数据

# 分割训练和测试数据集
# 训练集、测试集、训练标签集、测试标签集
X_train, X_test, y_train, y_test = train_test_split(data, labels, test_size=0.2, random_state=42)

print(X_train.shape, X_test.shape, y_train.shape, y_test.shape)

# 将标签转换为一种热编码(将数据扩维)One-Hot编码
y_train = to_categorical(y_train, 43)
y_test = to_categorical(y_test, 43)
# print(y_test)

将读取到的数据按照比例，随机分割为训练集，测试集，训练标签集，测试标签集。然后采用热编码的方式，将标签集转为热编码。

建立CNN卷积神经网络模型

# 建立模型
model = Sequential()
# 添加卷积输入层 16个节点 5*5的卷积核大小
model.add(Conv2D(filters=16, kernel_size=(3, 3), activation='relu', input_shape=X_train.shape[1:]))

# 卷积层 + 最大池化层
model.add(Conv2D(filters=32, kernel_size=(3, 3), activation='relu'))
model.add(MaxPool2D(pool_size=(2, 2)))
# 防止过拟合，网络正则化，随机消灭上一层的神经元
model.add(Dropout(rate=0.25))

model.add(Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))

model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Dropout(rate=0.25))
# 展平层
model.add(Flatten())
# 密集连接层
model.add(Dense(512, activation='relu'))
model.add(Dropout(rate=0.5))
# 全连接 + 输出层
model.add(Dense(43, activation='softmax'))

# 编译模型 分类交叉熵损失函数 Adam优化器 这种搭配常用在多元分类中
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

首先将模型 序列化，然后依次添加 卷积输入层，卷积层， 最大池化层， 正则化层， 卷积层 ，池化层， 正则化层， 展平层， 密集连接层， 正则化层， 输出层。然后编译模型。

训练模型

epochs = 11
tensorboard = TensorBoard(log_dir='./log', histogram_freq=1, write_graph=True, write_images=True, update_freq="epoch")

history = model.fit(X_train, y_train, batch_size=32, epochs=epochs, validation_data=(X_test, y_test),
                    callbacks=[tensorboard])
model.save("my_traffic_classifier.h5")

通过 11 个迭代用数据训练模型，完成后保存训练后的模型。

绘制图像

# 绘制图形以确保准确性
plt.figure(0)
# 训练集准确率
plt.plot(history.history['accuracy'], label='training accuracy')
# 测试集准确率
plt.plot(history.history['val_accuracy'], label='val accuracy')
plt.title('acc')
plt.xlabel('epochs')
plt.ylabel('accuracy')
plt.legend()
plt.show()

plt.figure(1)
plt.plot(history.history['loss'], label='training loss')
plt.plot(history.history['val_loss'], label='val loss')
plt.title('Loss')
plt.xlabel('epochs')
plt.ylabel('loss')
plt.legend()
plt.show()

用 matplotlib 工具绘制准确率以及损失函数图像。

验证准确率

# 测试数据集的测试准确性

y_test = pd.read_csv('data/Test.csv')

labels = y_test["ClassId"].values
imgs = y_test["Path"].values

data = []

for img in imgs:
    image = Image.open(img)
    image = image.resize((30, 30))
    data.append(np.array(image))

X_test = np.array(data)

pred = model.predict_classes(X_test)

# 测试数据的准确性
print(accuracy_score(labels, pred))