Python项目–交通标志识别

您一定已经听说过自动驾驶汽车，乘客可以在其中完全依靠汽车行驶。但是要实现5级自动驾驶，车辆必须了解并遵守所有交通规则。

在人工智能和技术进步的世界中，许多研究人员和大公司，例如特斯拉，优步，谷歌，奔驰，丰田，福特，奥迪等，都在研究自动驾驶汽车和无人驾驶汽车。因此，为了实现该技术的准确性，车辆应该能够分辨交通标志并做出相应的决策。

什么是交通标志识别？

有几种不同类型的交通标志，例如限速，禁止进入，交通信号，左转或右转，行人横穿，重型车辆无法通过等。交通标志分类是识别交通标志属于哪个类别的过程。

交通标志识别–关于Python项目

在这个Python项目示例中，我们将构建一个深度神经网络模型，该模型可以将图像中出现的交通标志分类为不同的类别。通过这种模型，我们能够分辨和分析交通标志，这对于所有自动驾驶汽车都是非常重要的任务。

Python项目的数据集

对于此项目，我们使用Kaggle上可用的公共数据集：

(https://www.kaggle.com/meowmeowmeowmeowmeow/gtsrb-german-traffic-sign)

数据集包含50,000多种不同交通标志的图像。它进一步分为43个不同的类别。数据集变化很大，有些类别的图像很多，而有些类别的图像很少。数据集的大小约为300 MB。数据集有一个train文件夹，其中包含每个类中的图像；还有一个test文件夹，我们将使用它来测试模型。

先决条件

该项目需要具备Keras，Matplotlib，Scikit-learn，Pandas，PIL和图像分类的先验知识。

要安装用于此Python数据科学项目的必要库，请在终端中输入以下命令：

pip install tensorflow keras sklearn matplotlib  pandas pillow

生成Python项目的步骤

创建一个Python脚本文件，并在项目文件夹中将其命名为traffic_signs.py。

我们分四个步骤讨论了我们建立交通标志分类模型的方法：

• 探索数据集
• 建立CNN模型
• 训练并验证模型
• 用测试数据集测试模型

步骤1：探索数据集

我们的“train”文件夹包含43个文件夹，每个文件夹代表一个不同的类别。文件夹的范围是0到42。在OS模块的帮助下，我们遍历所有类，并将图像及其各自的标签附加到数据和标签列表中。

PIL库用于将图像内容打开到数组中。

最后，我们将所有图像及其标签存储到列表(数据和标签)中。

我们需要将列表转换为numpy数组，以便提供给模型。

数据的形状为(39209、30、30、3)，这意味着有39,209张图像的尺寸为30×30像素，最后的3意味着数据包含彩色图像(RGB值)。

通过sklearn库，我们使用train_test_split()方法来拆分训练和测试数据。

从keras.utils库中，我们使用to_categorical方法将y_train和t_test中存在的标签转换为独热编码。

步骤2：建立CNN模型

为了将图像分类为各自的类别，我们将建立一个CNN模型(卷积神经网络)。CNN最适合用于图像分类。

我们模型的架构是：

• 2个Conv2D层(过滤器= 32，kernel_size =(5,5)，激活=“ relu”)
• MaxPool2D层(pool_size =(2,2))
• Dropout层(速率= 0.25)
• 2个Conv2D层(过滤器= 64，kernel_size =(3,3)，激活=“ relu”)
• MaxPool2D层(pool_size =(2,2))
• Dropout层(速率= 0.25)
• 将层压平，将层压缩成一维
• 密集的全连接层(256个节点，激活=“ relu”)
• Dropout层(速率= 0.5)
• 密集层(43个节点，激活=“ softmax”)

我们使用性能良好的Adam优化器编译模型，并且损失为“ categorical_crossentropy”，因为我们有多个要分类的类。

步骤3：训练和验证模型

构建模型架构后，我们然后使用model.fit()训练模型。我尝试使用32和64的批处理量。我们的模型在64批量下表现更好。并且在15个周期之后，准确性是稳定的。

我们的模型在训练数据集上的准确率达到95％。使用matplotlib，我们可以绘制图形以确保准确性和损失。

绘制精度图：

精度和损失图

步骤4：使用测试数据集测试我们的模型

我们的数据集包含一个测试文件夹，并且在test.csv文件中，我们具有与图像路径及其各自的类标签有关的详细信息。我们使用pandas提取图像路径和标签。然后要预测模型，我们必须将图像尺寸调整为30×30像素，并创建一个包含所有图像数据的numpy数组。从sklearn.metrics中，我们导入了precision_score并观察了我们的模型如何预测实际标签。在此模型中，我们达到了95％的精度。

最后，我们将使用Keras model.save()函数保存我们训练过的模型。

model.save('traffic_classifier.h5')

完整的源代码：

import numpy as np import pandas as pd import matplotlib.pyplot as pltimport cv2import tensorflow as tffrom PIL import Imageimport osfrom sklearn.model_selection import train_test_splitfrom keras.utils import to_categoricalfrom keras.models import Sequential, load_modelfrom keras.layers import Conv2D, MaxPool2D, Dense, Flatten, Dropoutdata = []labels = []classes = 43cur_path = os.getcwd()#Retrieving the images and their labels for i in range(classes):    path = os.path.join(cur_path,'train',str(i))    images = os.listdir(path)    for a in images:        try:            image = Image.open(path + ''+ a)            image = image.resize((30,30))            image = np.array(image)            #sim = Image.fromarray(image)            data.append(image)            labels.append(i)        except:            print("Error loading image")#Converting lists into numpy arraysdata = np.array(data)labels = np.array(labels)print(data.shape, labels.shape)#Splitting training and testing datasetX_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)#Converting the labels into one hot encodingy_train = to_categorical(y_train, 43)y_test = to_categorical(y_test, 43)#Building the modelmodel = Sequential()model.add(Conv2D(filters=32, kernel_size=(5,5), activation='relu', input_shape=X_train.shape[1:]))model.add(Conv2D(filters=32, kernel_size=(5,5), activation='relu'))model.add(MaxPool2D(pool_size=(2, 2)))model.add(Dropout(rate=0.25))model.add(Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))model.add(Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))model.add(MaxPool2D(pool_size=(2, 2)))model.add(Dropout(rate=0.25))model.add(Flatten())model.add(Dense(256, activation='relu'))model.add(Dropout(rate=0.5))model.add(Dense(43, activation='softmax'))#Compilation of the modelmodel.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])epochs = 15history = model.fit(X_train, y_train, batch_size=32, epochs=epochs, validation_data=(X_test, y_test))model.save("my_model.h5")#plotting graphs for accuracy plt.figure(0)plt.plot(history.history['acc'], label='training accuracy')plt.plot(history.history['val_acc'], label='val accuracy')plt.title('Accuracy')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()#testing accuracy on test datasetfrom sklearn.metrics import accuracy_scorey_test = pd.read_csv('Test.csv')labels = y_test["ClassId"].valuesimgs = y_test["Path"].valuesdata=[]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)    #Accuracy with the test datafrom sklearn.metrics import accuracy_scoreprint(accuracy_score(labels, pred))model.save('traffic_classifier1.h5')

交通标志分类器GUI

现在，我们将使用Tkinter为我们的交通标志分类器构建图形用户界面。Tkinter是标准python库中的GUI工具包。在项目文件夹中创建一个新文件，然后复制以下代码。将其另存为gui.py，您可以通过在命令行中键入python gui.py来运行代码。

在此文件中，我们首先使用Keras加载了经过训练的模型'traffic_classifier.h5'。然后，我们构建用于上传图像的GUI，并使用一个按钮进行分类，然后调用classify()函数。classify()函数将图像转换为形状的尺寸(1、30、30、3)。这是因为要预测交通标志，我们必须提供构建模型时使用的相同尺寸。然后我们预测类，model.predict_classes(image)向我们返回一个介于(0-42)之间的数字，该数字表示它所属的类。我们使用字典来获取有关该类的信息。这是gui.py文件的代码。

import tkinter as tkfrom tkinter import filedialogfrom tkinter import *from PIL import ImageTk, Imageimport numpy#load the trained model to classify signfrom keras.models import load_modelmodel = load_model('traffic_classifier.h5')#dictionary to label all traffic signs class.classes = { 1:'Speed limit (20km/h)',            2:'Speed limit (30km/h)',             3:'Speed limit (50km/h)',             4:'Speed limit (60km/h)',             5:'Speed limit (70km/h)',             6:'Speed limit (80km/h)',             7:'End of speed limit (80km/h)',             8:'Speed limit (100km/h)',             9:'Speed limit (120km/h)',             10:'No passing',             11:'No passing veh over 3.5 tons',             12:'Right-of-way at intersection',             13:'Priority road',             14:'Yield',             15:'Stop',             16:'No vehicles',             17:'Veh > 3.5 tons prohibited',             18:'No entry',             19:'General caution',             20:'Dangerous curve left',             21:'Dangerous curve right',             22:'Double curve',             23:'Bumpy road',             24:'Slippery road',             25:'Road narrows on the right',             26:'Road work',             27:'Traffic signals',             28:'Pedestrians',             29:'Children crossing',             30:'Bicycles crossing',             31:'Beware of ice/snow',            32:'Wild animals crossing',             33:'End speed + passing limits',             34:'Turn right ahead',             35:'Turn left ahead',             36:'Ahead only',             37:'Go straight or right',             38:'Go straight or left',             39:'Keep right',             40:'Keep left',             41:'Roundabout mandatory',             42:'End of no passing',             43:'End no passing veh > 3.5 tons' }#initialise GUItop=tk.Tk()top.geometry('800x600')top.title('Traffic sign classification')top.configure(background='#CDCDCD')label=Label(top,background='#CDCDCD', font=('arial',15,'bold'))sign_image = Label(top)def classify(file_path):    global label_packed    image = Image.open(file_path)    image = image.resize((30,30))    image = numpy.expand_dims(image, axis=0)    image = numpy.array(image)    pred = model.predict_classes([image])[0]    sign = classes[pred+1]    print(sign)    label.configure(foreground='#011638', text=sign) def show_classify_button(file_path):    classify_b=Button(top,text="Classify Image",command=lambda: classify(file_path),padx=10,pady=5)    classify_b.configure(background='#364156', foreground='white',font=('arial',10,'bold'))    classify_b.place(relx=0.79,rely=0.46)def upload_image():    try:        file_path=filedialog.askopenfilename()        uploaded=Image.open(file_path)        uploaded.thumbnail(((top.winfo_width()/2.25),(top.winfo_height()/2.25)))        im=ImageTk.PhotoImage(uploaded)        sign_image.configure(image=im)        sign_image.image=im        label.configure(text='')        show_classify_button(file_path)    except:        pass        upload=Button(top,text="Upload an image",command=upload_image,padx=10,pady=5)upload.configure(background='#364156', foreground='white',font=('arial',10,'bold'))upload.pack(side=BOTTOM,pady=50)sign_image.pack(side=BOTTOM,expand=True)label.pack(side=BOTTOM,expand=True)heading = Label(top, text="Know Your Traffic Sign",pady=20, font=('arial',20,'bold'))heading.configure(background='#CDCDCD',foreground='#364156')heading.pack()top.mainloop()

输出：

运行后界面

选择图片后的分析

摘要

在这个Python项目中，我们已经成功地以95％的准确度对交通标志分类器进行了分类，并且还可视化了我们的准确度和损失随时间的变化，这对于简单的CNN模型来说是相当不错的。