使用深度学习算法识别交通标志实现98%准确率

　我们可以创建一个能够对交通标志进行分类的模型，并且让模型自己学习识别这些交通标志中最关键的特征。在这篇文章中，我将演示如何创建一个深度学习架构，这个架构在交通标志测试集上的识别准确率达到了98％。
　　交通标志是道路基础设施的重要组成部分，它们为道路使用者提供了一些关键信息，并要求驾驶员及时调整驾驶行为，以确保遵守道路安全规定。如果没有交通标志，可能会发生更多的事故，因为司机无法获知最高安全速度是多少，不了解道路状况，比如急转弯、学校路口等等。现在，每年大约有130万人死在道路上。如果没有这些道路标志，这个数字肯定会更高。
　　
　　当然，自动驾驶车辆也必须遵守交通法规，因此需要_识别_和_理解_交通标志。
　　从传统上来说，可以使用标准的计算机视觉的方法来对交通标志进行检测和分类，但同时也需要耗费相当多的时间来手工处理图像中的重要特征。现在，我们引入深度学习技术来解决这个问题。我们可以创建一个能够对交通标志进行分类的模型，并且让模型自己学习识别这些交通标志中最关键的特征。在这篇文章中，我将演示如何创建一个深度学习架构，这个架构在交通标志测试集上的识别准确率达到了98％。
　　项目设置
　　数据集可分为训练集、测试集和验证集，具有以下特点：
　　图像为32（宽）×32（高）×3（RGB彩色通道）
　　训练集由34799张图片组成
　　验证集由4410个图像组成
　　测试集由12630个图像组成
　　共有43个种类（例如限速20公里/小时、禁止进入、颠簸路等等）
　　此外，我们将使用Python 3.5与Tensorflow来编写代码。
　　图像及其分布
　　你可以在下图中看到数据集中的一些示例图像，图像的标签显示在相应行的上方。其中一些非常暗，稍后我们会调整它们的对比度。
　　
　　训练集中各个种类图像的数量明显不平衡，如下图所示。某些种类的图片少于200张，而其他的则有2000多张。这意味着我们的模型可能会偏向于代表性过高的种类，特别是当它的预测无法确定时。我们稍后会看到如何使用数据增强来缓解这个问题。
　　
　　预处理步骤
　　我们首先要对图像应用两个预处理步骤：
　　灰度化