---
tags: AINTUT
---

# 期末專題構想書：行車路牌分辨

## 隊伍資訊

隊名:北科牛逼隊

成員（學號、姓名）：
- 110340136 林泓豪
- 110332034 高暐智
- 110332045 蘇郁翔

## 動機與目的

在台灣，路牌的名稱往往只是人們在考駕照時的一個過程，實際能認識的路牌也只有路上經常看到的那些，導致因一個不認識的路牌而犯了罪，該系統主要是幫助司機可以注意身邊的環境 例如車輛在限速路段可以提醒司機減速 甚至如果超速太多可以直接控制車輛速度 以致減少交通事故的發生率，這讓我們想到了可以利用老師所講的AI技術製作出，能辨識路牌的一個軟體。

本專題將發揮在課堂上的所學，藉由深度學習的技術，訓練出一個影像辨識的模型，可以辨識出道路上的路標。希望這次專題的成果，可以更有效的分辨路標，並應用在車用導航上面，在駕駛超速時可以透過提示音儀表號誌閃爍來提醒駕駛，防止意外發生。

## 方法與步驟簡述

### 資料來源

資料來自Computer Vision Laboratory (CVL)在其中Traffic Signs Dataset擁有
超過20000張圖片，其中有20%是已做識別
包含3488個交通標誌
許多城市與高速公路的記錄
以下為實際

### 模型與方法

預期使用深度學習對於影像辨識做常使用的架構：Graphical user interfaces（圖形用戶界面，簡稱 GUI ）[^matlab_GUI]。GUI 的輸入為一張圖片（RGB 彩色圖），因圖像的矩是歸一化的灰度級圖像的二維隨機變量的概率密度，是一個統計學特徵。OpenCV中實現了這個矩的算子是Moments()；其中分為零階矩M00、一階矩M10和M01、二階矩M20，M02和M11；其中當圖像為二值圖時，M00是圖像面積（白色區域）的總和，或者説連通域的面積；而這時M10和M01是圖像白色區域上x和y座標值的累計，所以圖像的的重心(Xc,Yc)可以由： Xc=M10/M00； Yc=M01/M00; 圖像的二階矩一般用來求圖像的方向。

以下為計算的數學公式:

由於資料集的數量有限，我們會使用 ImageNet[^ImageNet] 的預訓練模型來做 Transfer Learning[^transfer_learning]。如果時間允許，也會嘗試使用 Data Augmentation[^data_augmentation] 的技巧來增加訓練資料。

實做方面，我們將以 PyTorch[^PyTorch] 與 torchvision[^torchvision] 這兩個深度學習與影像辨識的套件為主，來實做上述的模型與方法。

## 預期成果

預期結果:希望能夠將路牌辨識率達到80%以上，由於樣式十分多元，但有些路牌長的還是很像，希望藉由深度學習讓影像辨識成功率大幅提升。也希望未來人們對於每個告示牌(俗稱的路牌)，靠著AI的幫忙辨別，能夠有一定的辨識能力，以防行車的路上受到不必要的災害。在政府與企業致力於 AI、IoT、自動化、數位轉型的趨勢下，環境議題如何與這個趨勢結合是相當重要的，期望本專題能成為其中一個重要的成果。

## 參考資料

[交通辨別]:[利用pytorch實現交通號誌]
(https://blog.csdn.net/ZOUZHEN_ID/article/details/83958772)
[台灣博碩士論文](https://ndltd.ncl.edu.tw/cgi-bin/gs32/gsweb.cgi/logino=dnclcdr&s=id=%22108NKUS0392009%22.&searchmode=basic)
[臉部辨識](https://colab.research.google.com/drive/1aKqOW6OXphE3xNwZK7bfNnxiN5xly87v?usp=sharing#scrollTo=Ood7XIg2ViHT)
[交通標誌辨別](https://www.gushiciku.cn/pl/aU0l/zh-hk)
[matlab_GUI](https://ww2.mathworks.cn/discovery/matlab-gui.html)
[人工智慧之交通事件影像偵測器](https://%E7%81%AB%E9%BE%8D%E6%9E%9C/Desktop/%E4%BA%BA%E5%B7%A5%E6%99%BA%E6%85%A7%E4%B9%8B%E4%BA%A4%E9%80%9A%E4%BA%8B%E4%BB%B6%E5%BD%B1%E5%83%8F%E5%81%B5%E6%B8%AC%E6%A8%A1%E5%BC%8F%E8%88%87%E5%AF%A6%E5%9F%9F%E9%A9%97%E8%AD%89.pdf)
[^ImageNet]: [ImageNet](http://www.image-net.org/)
[^transfer_learning]: [Transfer learning from pre-trained models](https://towardsdatascience.com/transfer-learning-from-pre-trained-models-f2393f124751)

[^data_augmentation]: [Data Augmentation | How to use Deep Learning when you have Limited Data — Part 2](https://nanonets.com/blog/data-augmentation-how-to-use-deep-learning-when-you-have-limited-data-part-2/)

[^PyTorch]: [PyTorch](https://pytorch.org/)

[^torchvision]: [torchvision](https://pytorch.org/vision/stable/index.html)