限速标志是常见且重要的禁令标志,限速数字为驾驶人提供道路限制速度,引导驾驶人安全驾驶。但是驾驶人常会忽视道路上的限速标志,例如在开车时打手机、与乘客聊天或者限速标志处于视觉盲区,致使车辆行驶速度过快,造成交通违法,发生交通事故。因此,限速标志识别及警示系统的开发可有效地减少交通事故的发生,保障驾驶人的生命财产安全。本文基于卷积神经网络进行了车载限速标志实时识别及警示系统的开发,主要开展了以下几项工作:对国内外交通标志识别、深度学习及相关系统的研究现状进行了分析,对限速标志自身的形状、纹理特征及设置方式、设置位置特征进行了分析;然后对该系统潜在用户的需求、系统开发的技术难点进行了分析,对系统的操作方法及运行界面进行了介绍;通过分析现状,选择了相应的硬件设备配置进行系统开发;而后通过分析各自的特点和优势,选择Open CV作为系统开发的数据库,选择Hierarchical Data Format作为编程过程中进行图像处理的数据格式。进行图像预处理及限速标志定位。首先根据车辆的运行状态和驾驶人的视认特性对程序的处理频率进行了分析,并根据限速标志分布位置特征进行交通标志粗定位;然后基于HSV空间颜色模型进行颜色分割,而后进行形态学滤波,对图像进行预处理;接着结合长宽检测与霍夫圆变换检测方法进行了圆形标志精确定位,并利用限速标志的灰度分布及数字分布特征进行了伪目标排除,从而精确定位限速标志位置。基于卷积神经网络对限速标志图像进行了识别。首先对截取后的图像进行预处理,即对待检测图像进行图像增强和归一化处理两个阶段的处理,并通过对大量图像进行分析判断得出无需对限速标志进行倾斜校正;然后构建卷积神经网络模型,即Le Net-5模型,包括卷积核为5×5的卷积层、采用最大池化法的池化层、Dropout层及全连接层,激活函数为Re LU函数,运用Softmax分类器进行分类;接着选用GTSRB数据集及实车采集的部分图像作为数据集,基于Caffe深度学习框架进行训练和测试。对限速标志实时识别及警示系统进行了系统开发及道路试验性能测试。首先,对系统的开发过程进行了介绍;其次,基于Caffe深度学习框架对系统进行了训练与测试,并对其结果进行了分析总结,即分别分析训练学习率、测试准确率、损失函数与迭代次数的关系,在训练过程中,系统呈现较好的收敛性,并且在测试过程中达到97%的测试准确率;最后对系统进行性能测试,经过测试,该系统对于不同安卓设备具有很强的兼容性,并通过实车试验验证该系统的性能。在不同车速状态下,限速标志实时识别与警示系统的识别准确率均能够达到85%以上,最高可达94%,并且通过试验过程发现了其具有较强的实时性、系统稳定性以及识别鲁棒性。