交通标志识别

下载数据集

1. 下载比利时的交通标志数据集，网址：http://btsd.ethz.ch/shareddata/

2. 下载数据集BelgiumTSC_Training和测试集BelgiumTSC_Testing。在那个网页上有很多数据集，你只需要下载在BelgiumTS for Classification (cropped images)目录下的两个文件就行：



3. 解压训练和测试文件，目录为：

   traffic-sign\datasets\BelgiumTSC_Training\Training

  traffic-sign\datasets\BelgiumTSC_Testing\Testing

  这2个文件夹下面都有62个子文件夹，编号从00000到00061，子文件夹的名字标识了里面图像的标签。





4. 数据集中的图片都是以.ppm格式来存的。这个格式现在已经非常少见了，很多工具都不支持它。这意味着，我们不能随意的打开某个文件夹，查看某张图。幸运的是Scikit Image library支持这个格式。

导入数据

根据文件路径获得图像-标签列表

对图像进行预处理

1. 先将图像进行缩放为28*28大小；

2. 再将彩色图转为灰度图；

3. 最后，随机选取图像显示，结果如下；



4. 修改随机显示图像，代码为：



修改后的图像为：

显示每组标签的第一幅图像

   运行，获得标签和图像总数，如下：



  热力图显示效果图如下：



灰度图显示效果如下：

显示特定标签内的图像

我们的数据看起来将所有的限速标志都归为了同一个类，不管标志上面的数字是多少。在刚开始的时候充分理解数据集是必要的，它可以在我们对输出预测的时候减少很多不必要的麻烦。

查看标签26内的图像，代码修改为：



运行效果为：



可以依次修改代码，看每个标签内的图像，例如修改为42，代码为：



运行后的42标签内的图像为：

打印原始图像信息

获得图像的宽、高、通道数、图像的最大、最小灰度值等数据，代码如下：



运行结果如下：

打印预处理后的图像信息

运行结果如下：



打印出来的最小值和最大值现在却是在0到1.0之间，并不是像我们上面看到的0-255。那是因为resize函数自动为我们进行了归一化，将数据归一化到0.0-1.0范围很常见，因此我们保持这样既可。但要记住，如果之后想要把图像转换到0-255的正常范围，记得乘上255这个值。

训练神经网络

运行结果

评估神经网络

b6d7

随机选择几张图来判断分类的准确性

运行结果

随机选择10个图像，预测正确的有6个，错误的有4个，准确率为60%。

测试模型

用测试集数据对训练好的模型进行测试，计算准确率，BelgiumTS提供的验证数据集Testing就是用来干这个事的。

运行结果

输入测试模型文件名，执行后的准确率如下：