基于深度学习LeNet5模型的交通标志识别方法设计

湖南商务职业技术学院毕业设计

目录

1引言............................................................................................................................2

1.1研究背景......................................................................................................2

1.2国内外现状..................................................................................................3

1.2.1国内现状....................................................................................................3

1.2.2国外现状....................................................................................................4

2开发环境与工具........................................................................................................4

2.1Python..............................................................................................................4

2.2爬虫..............................................................................................................5

2.3Pyqt5................................................................................................................5

2.4Pytorch............................................................................................................6

3数据采集与处理........................................................................................................6

3.1数据集获取..................................................................................................6

3.2数据增强......................................................................................................9

3.3切分训练集与数据集................................................................................10

4模型构建与评估......................................................................................................11

4.1LeNet5网络结构...........................................................................................11

4.2损失函数....................................................................................................12

4.3实验验证与分析........................................................................................12

4.3.1实验环境配置..........................................................................................12

4.3.2评价指标..................................................................................................13

4.4模型构建....................................................................................................13

4.5实验结果....................................................................................................14

5系统设计与实现......................................................................................................15

5.1可行性分析................................................................................................15

5.2功能实现....................................................................................................17

5.2.1功能介绍..................................................................................................17

5.2.2操作实现..................................................................................................17

I

湖南商务职业技术学院毕业设计

6总结..........................................................................................................................18

参考资料.........................................................................................................................20

II

湖南商务职业技术学院毕业设计

基于深度学习LeNet5模型的交通标志识别方法设计

1引言

随着城市交通的不断发展和进步，交通标志在城市交通中起到至关重要的

作用。交通标志的目的是为了保障道路交通的安全性和有效性。交通标志不仅

告知驾驶员和行人有关交通规则和安全的信息，而且有助于提高行车和行人的

安全性，也是协调和保障城市经济、文化和社会生活运行的必要组成部分。但

是，由于交通标志的数量多，种类繁多，遇到天气条件复杂或路面状况恶时，

交通标志容易被污染、遮挡、破损等影响，以至于交通标志的正确性难以保

证，这就增加了驾驶员和行人的交通安全隐患，甚至导致交通事故的发生。由

于交通标志数量众多，种类繁多，识别难度较大，人眼识别方式无法满足需

求，因此对相应的技术提出了需求。随着深度学习技术的发展，基于深度学习

的图像识别逐渐成为交通标志识别的主流方法之一。许多学者和科技公司都在

致力于开发高效且准确的交通标志识别技术，以应对交通标志识别的实际应用

需求。

交通标志识别在城市交通中有着广泛的应用前景，主要包括自动驾驶、智

能交通控制系统和交通安全监控系统等方面。交通标志识别技术可以实时、准

确、高效地检测和识别各种交通标志，并为驾驶员和行人提供有效的安全保障

和规则指导。对于自动驾驶车辆、智慧城市和车联网等新兴技术，有效的交通

标志识别技术更加重要。通过该技术的应用，可实现对道路规则的准确遵循，

更好地保障交通安全、顺畅运行，推动城市交通建设和智慧交通的发展。

1.1研究背景

交通标志识别是计算机视觉领域的重要应用之一，它通过对道路交通标志

的图像进行识别和分类，提高道路交通规范化和安全性。尽管近年来交通标志

识别取得了较大的进展，但是标志的数量和种类繁多，以致于交通标志识别技

术仍然面临诸多挑战。由于标志图像的噪声、光照变化、弯曲等因素的干扰，

传统的机器学习算法往往难以承受。

深度神经网络的兴起为交通标志识别提供了新的思路和方法。LeNet5是最

早应用于手写数字字符识别的卷积神经网络，通过简单而灵活的图层连接、卷

积滤波、小范围池化、非线性激活等一系列计算操作，可以从图像中提取出不

3

湖南商务职业技术学院毕业设计

同的特征信息，具备快速、准确的特征提取、分类能力。相比于传统的机器学

习模型，LeNet5可适用于复杂图像分类任务，且网络参数相对较少，便于在嵌

入式平台上实用。

基于LeNet5的卷积神经网络模型，交通标志识别的应用也得到了广泛的关

注。其主要特点在于，将已训练好的LeNet5模型层应用于交通标志的图像识别

任务中，使用图像数据进行微调训练，从而达到快速、准确的分类效果。在实

现交通标志识别方面，基于LeNet5模型的网络架构和优化算法的改进与实现，

成为了进一步研究和发展的方向，并在多项实现中得到证明。

总之，基于LeNet5网络模型的交通标志识别技术，充分利用卷积神经网络

的特征提取、学习能力和分类特征，使得分类的准确率和性能得到了很大提

升，将在未来的道路安全和交通智能化方面发挥更为重要的作用。

1.2国内外现状

交通标志识别是指将摄像头拍摄到的交通标志识别并加以解析，在自动驾

驶、车联网和智能交通等领域有广泛的应用。目前，交通标志识别已成为人工

智能领域中的热门研究方向之一。以下是对国内外交通标志识别的研究现状进

行的简要介绍。

1.2.1国内现状

虽然国内在交通标志识别这一方面的研究的起步较晚，但仍有大部分学

者、教授参与其中，并做出了不小的贡献。

2004年，王坤明等人提出了运用BP神经网络模型对静态交通标志图像进

行一个分类，经过一系列的算法优化迭代，最后识别出11种交通标志。

2006年，宁波大学的朱双东教授等人提出了一种三角形交通标志的检测方

法，该方法首先在HIS颜色空间提取红色，再使用LOG模板在检测的区域进

行边缘检测，对检测到的点进行顶点判别，判断顶点是否满足三角形的几何条

件。

2007年，朱双东教授等人提出了一种用于道路交通标志的颜色几何模型，

根据颜色形状对把交通标志进一步细分为7个子类，对交通标志的先验知识做

了一个提炼，并未涉及检测与识别。

2010年，东北大学王楠等人提出了基于多线索混合的交通标志检测与跟踪

方法，算法具有较好识别精度，时间复杂度较高。

2013年，中南大学蔡自兴教授等人提出了一种DT-CWT与2DICA分析的

4

湖南商务职业技术学院毕业设计

交通标志识别方法，该方法首先把彩色图像灰度化，并规范化，然后进行DT-

CWT变换，使用2DICA方法描述特征，最后使用最近邻域分类法识别，算法

对50幅标志图像的识别精度达到97%。

1.2.2国外现状

在交通标志识别领域，美国、德国、日本等国家的科研机构和企业都有较

多的研究和应用。计算机硬件性能与软件算法性能的提升，对交通标志识别的

研究起到了很大的推动作用。

1987年，日本学者Akatsukaandlmai开启了交通标志识别系统的研究，该

研究使用闽值分割与模板匹配方法来识别限速标志，一幅标志的平均识别时间

大约为0.5秒。

Ghisio等人提出了一种三阶段识别流程包括:颜色分割、形状检测和使用神

经网络方法进行标志分类。

aLopezandFuentes等人在CIELab颜色空间检测交通标志并且使用高斯分

布来为颜色像素建模。

其中，德国的奔驰汽车公司就在交通标志识别方面取得了显著的成果。奔

驰汽车公司2006年开始推广交通标志识别系统，能够识别60多种交通标志。

2011年，奔驰又推出了全球首个能够实现交通标志智能判断和调整行车速度的

交通识别系统。伦敦大学学院的交通工程院则研发出了一种新型交通标志检测

算法，利用图像检测技术和模式识别技术相结合，能够快速准确地识别各类交

通标志。

2开发环境与工具

2.1Python

Python是一种开源的高级编程语言，可以应用于多种领域，如Web开发、

数据分析、人工智能、网络编程等。它具有简单易学、代码简洁优美、跨平台

等优点，逐渐成为最广泛使用的编程语言之一。

Python由GuidovanRossum于1991年创建并开发，其语法简单明了，语

句以缩进为结构，使得代码布局非常清晰。通过Python内建的丰富函数库，可

以快速地完成常见的编程任务，同时还支持运行其他语言的代码模块，例如

C、C++和Java等。

Python在科学计算领域中也有广泛的应用。使用Python的科学计算库

5

湖南商务职业技术学院毕业设计

NumPy、SciPy和Pandas，可以处理大规模数据集合并数据分析、计算等任

务。同时，Python也可以通过人工智能、机器学习等领域对数据进行更加深入

的分析和预测，这些应用在各种领域中都发挥了重要作用。

Python还有丰富的应用库和工具，例如Django、Flask、Pygame等，可以

实现丰富多彩的应用，从网站开发到游戏开发，甚至是测试或网络爬虫。

总之，Python给程序员带来了高效的编程工具和丰富的应用外围，有了

它，编程的效率提高了；同时，Python还促进了数据科学方面的发展，成为现

代科学计算和数据分析的重要工具之一。

2.2爬虫

Python网络爬虫是一种自动化获取互联网上信息的程序。通过爬虫技术，

可以对目标网站进行数据抓取、信息提取、数据分析等操作。Python爬虫基于

Python语言和相关模块，可以快速构建一个高效、可靠的爬虫系统。

Python网络爬虫可以应用于多种场景，例如搜索引擎、电子商务、社交媒

体、新闻媒体等，帮助用户快速获取所需的信息。Python网络爬虫通过模拟人

工浏览方式，对网站页面进行解析，从中提取所需信息，同时还可以进行数据

清洗和处理操作。

使用Python编写爬虫程序可以使用多种框架和库，常见的有Scrapy、

BeautifulSoup、Selenium等。这些工具可以让编写爬虫程序变得更加简单和高

效。同时，Python的快速开发和丰富的第三方库和工具，也为网络爬虫的开发

提供了良好的支持。

总之，Python网络爬虫是一个快捷、高效、自动化的数据获取方式，广泛

应用于各种领域中。它可以帮助用户获得所需的信息，同时也为数据分析和处

理提供了更多的数据来源。

2.3Pyqt5

PyQt5是一种Python编程语言和Qt应用程序框架的结合，它提供了一个

Python语言的接口，使得你可以使用PyQt5快速开发可视化应用程序。它是一

种快速且易于使用的Python模块，使用PyQt5开发图形界面应用程序时，你可

以使用QtDesigner来构建用户界面，也可以借助于PyQt5中的Designer插件，

使用代码编写自定义的UI类。

PyQt5提供了多个类，例如QWidget、QMainWindow、QMessageBox、

6

湖南商务职业技术学院毕业设计

QBoxLayout等，可以帮助你快速创建各种GUI应用程序。Qt提供的丰富的控

件和功能可以让你实现多种功能，如界面设计、绘图、文件读写、多媒体、网

络等，应用范围广泛，可以用于多种平台，如Windows、Mac、Linux等操作系

统。

虽然PyQt5的学习曲线比较陡峭，但由于Qt的功能和强大性，以及

Python的易用性，PyQt5已成为广泛使用的GUI编程框架之一，被许多Python

开发人员、图形设计师和爱好者所喜爱和用到。通过PyQt5，应用程序开发者

可以轻松地创建风格独特的程序，同时提供了令人愉悦的用户体验。

2.4Pytorch

PyTorch是一种自由开源的机器学习框架，它由Facebook的人工智能研究

团队研发并开源，旨在提供Python接口，使得构建神经网络更加便捷。

PyTorch结合了计算图的灵活性和自动求导机制，使得神经网络设计和训练更

加容易和高效。

PyTorch提供了强大的矩阵计算和自动变量跟踪功能，使得开发者可以轻

松地实现计算图和反向传播算法，实现各种类型的神经网络，例如CNN、RNN

等。同时，PyTorch采用了动态计算图方法，使得计算图能够实时变化，灵活

性更高，从而支持更多的运行时优化。

PyTorch不仅仅提供了强大的计算能力，还提供了许多实用工具和内置算

法，可以帮助你处理各种常见问题，如图像分类、目标检测、语音识别、机器

翻译等等。除此之外，PyTorch还允许使用GPU进行加速训练，加速了模型的

训练速度。

总之，PyTorch是一种广泛应用于机器学习和深度学习领域的框架，它提

供了灵活高效的工具和接口，方便了人工智能开发者构建和训练神经网络。无

论是新手还是专业人士，都可以通过PyTorch获得有力的支持，实现各种机器

学习和数据处理任务。

3数据采集与处理

3.1数据集获取

打开谷歌浏览器，首先来到百度图库，在搜索栏中输入关键字，交通标

志，点击搜索，如图3-1。

7

湖南商务职业技术学院毕业设计

图3-1关键字搜索

按F12调出开发者工具，刷新页面，如图3-2。

图3-2开发者工具页面

点击开发者工具上面的小箭头，利用小箭头精准定位页面元素。经过简单

分析，发现我们所需的图片是存放在class=“main_imgimg-hover”的元素里

面，如图3-3。

8

湖南商务职业技术学院毕业设计

图3-3页面元素分析

根据上述网页元素分析，结合python爬虫代码编程实现如图3-4，将图片

下载如图3-5，保存如图3-6。

图3-4部分功能代码

图3-5图片自动下载

9

湖南商务职业技术学院毕业设计

图3-6图片指定目录保存

3.2数据增强

数据增强(DataAugmentation)是指对图片进行随机的旋转、翻转、裁剪、

随机设置图片的亮度和对比度以及对数据进行标准化，也就是将数据的均值设

为0，方差设为1。通过这些操作，我们可以获得更多的图片样本，原来的一

张图片可以变为多张图片，扩大了样本容量，对于提高模型的准确率和提升模

型的泛化能力非常有帮助，在进行数据增强的同时也会需要消耗大量的系统资

源。代码实现如图3-7。

图3-7数据增强部分代码

运行结果如图3-8所示。

10

湖南商务职业技术学院毕业设计

图3-8数据增强实现结果

3.3切分训练集与数据集

深度学习切分训练集与数据集的主要作用是评估模型的泛化性能和防止过

拟合。在深度学习中，我们通常将数据集划分为训练集、验证集和测试集。训

练集用于训练模型，验证集用于调整模型的超参数和避免过拟合，测试集用于

评估模型的泛化性能。切分训练集和测试集的目的是评估模型在未见过的数据

上的表现，以便更好地了解模型的泛化能力。如果我们只使用一个数据集来训

练和测试模型，那么模型可能会过度拟合训练数据，导致在未见过的数据上表

现不佳。切分训练集和验证集的目的是调整模型的超参数，以便更好地适应数

据。如果我们只使用训练集来训练模型，并在同一数据集上进行超参数调整，

那么模型可能会过度拟合训练数据和验证数据，导致在未见过的数据上表现不

佳。因此，切分训练集、验证集和测试集是深度学习中非常重要的步骤，可以

有效地评估模型的泛化性能和防止过拟合。

训练集一般设置到占总数据集的70%~80%左右。训练集是用来训练模型

的，数据量越大，训练效果越好。

验证集一般设置到占总数据集的10%~15%左右。验证集用于在训练过程中

评估模型的性能，比例不宜过高，否则会影响训练集的大小，同时也不宜过

低，否则无法充分评估模型的性能。

测试集一般设置到占总数据集的10%~20%左右。测试集用于评估模型在新

数据上的表现，比例不宜过高，否则会减少训练集和验证集的大小，同时也不

宜过低，否则无法提供足够的数据用于评估模型在新数据上的表现。

需要注意的是，划分比例应根据实际数据量、数据分布和任务复杂度等进

行调整，同时应该随机划分，以保证数据的随机性和泛化性。此外，在划分数

据集的时候，还应该注意保持训练集、验证集和测试集中各类别的分布均衡，

避免出现类别样本不足等问题。

11

湖南商务职业技术学院毕业设计

4模型构建与评估

4.1LeNet5网络结构

LeNet5是一种卷积神经网络，由YannLeCun于1998年提出。它是第一个

成功应用于手写数字识别的卷积神经网络架构，同时也为后来的深度学习研究

提供了范本。下面是LeNet5的网络结构。

图4-1LeNet5网络结构

LeNet5网络分为两个部分：卷积子网络和全连接子网络。

卷积子网络，这是LeNet5的前向传播部分，由多个卷积层和池化层组成。

它将输入的图像进行多次卷积和池化操作，提取出图像中的特征。卷积层使用

Sigmoid函数作为激活函数，池化层则使用最大池化。在LeNet5中，第一层卷

积层的过滤器大小为5x5，第二层卷积层的过滤器大小为3x3，每个池化层的

池化大小均为2x2。

全连接子网络，这部分将之前卷积子网络提取出的特征输入到一个全连接

的神经网络中，进行分类任务。全连接网络包括两个全连接层和一个输出层：

第一层全连接层有120个神经元，第二层有84个神经元。输出层使用Softmax

函数，将分类的结果映射为一个概率分布。

LeNet5的创新点之一是使用了局部响应归一化（localresponse

normalization）技术，这种方法可以增强图像的鲁棒性，提高网络对光照和视

角的抵抗能力。

LeNet5在手写数字识别任务上表现良好，但是它的网络结构相对浅，无法

处理更复杂的数据和任务。虽然LeNet5本身使用较少，但其开创了卷积神经网

络的先河，对后续网络结构的发展具有里程碑的重要意义。

12

湖南商务职业技术学院毕业设计

4.2损失函数

在深度学习中，损失函数（lossfunction）是用于衡量模型预测输出与真实

输出之间的差异的函数。训练深度学习网络的目标是最小化损失函数。常见的

深度学习中的几种损失函数如下。

均方误差损失函数（MeanSquaredError,MSE）：均方误差损失函数是回

归模型中广泛使用的损失函数。它计算模型预测值和真实值之间的差异的平方

和每个样本项差值平方的平均数，适用于输出值域连续的任务。公式如下。

MSE=(1/n)*Σ(yᵢ-ŷᵢ)²

二元交叉熵损失函数（BinaryCrossEntropy,BCE）：二元交叉熵损失函数

主要用于二分类问题，例如猫狗分类问题。它计算了预测输出和实际输出之间

的交叉熵，用于衡量这两个概率分布之间的差异，公式如下。

L=-(y*log(ŷ)+(1-y)*log(1-ŷ))

softmax交叉熵损失函数（SoftmaxCrossEntropy,SCE）：Softmax交叉熵

损失函数在多分类问题上表现良好。它将logits视为类别上的概率，并衡量模

型预测值和真实值之间的差异，公式如下：

L=-Σ(yᵢ*log(ŷᵢ))

对数损失函数（LogLoss）：适用于处理分布不均的二元分类问题。它测

量模型预测正确或错误所产生的代价，并尝试最小化模型的预测错误的平均对

数概率。公式如下：

L=-[y*log(ŷ)+(1-y)*log(1-ŷ)]

除此之外，针对一些特定的问题，比如像素级别的分割（如语义分割、实

例分割等任务），常用的还有DiceLoss、JaccardLoss、FocalLoss等。而特征匹

配的任务，常用的损失函数有ContrastiveLoss、TripletLoss等。在选择损失函

数时，需要根据具体的问题和任务来选择最适合的损失函数。

4.3实验验证与分析

4.3.1实验环境配置

本系统主要由硬件部分和软件部分组成。硬件部分主要是电脑配置，软件

部分涉及系统开发环境，其中部分参数如4-1表所示。

表4-1系统软硬件环境配置表

硬件部分软件部分

13

湖南商务职业技术学院毕业设计

显卡配置GeForceRTX1080深度学习框架Pytorch

第三方库函数Anaconda

开发语言Python

软件界面框架PyQt5

4.3.2评价指标

准确率：指分类器所预测的正确结果与所有测试数据中实际结果相一致的

比率，通常表示为百分比。

召回率：指分类器正确识别真实标签的比例，通常表示为百分比，也称为

真阳性率。

精确率：指分类器所预测的结果中，真实情况中都是正确的结果比例，通

常表示为百分比，也称为准确度。

F1分数：是精度和召回率的加权平均数，取值在0到1之间，数值越高，

说明性能越好。

ROC曲线：ROC是“受试者工作特征曲线”（receiveroperatingcharacteristic

curve）的缩写，是随着阈值的变化，对真阳性和假阳性的变化图示。

AUC值：AUC代表ROC曲线下的面积大小，AUC值越大表示模型的性能

越好。

通过以上指标的评估，可以全面了解基于lenet5网络模型的交通标志识别

模型的性能和优点，帮助优化模型训练、选择更好的参数和算法，并进一步推

进交通标志识别等相关研究的发展。

4.4模型构建

LeNet5的网络结构模型代码如下所示。

14

湖南商务职业技术学院毕业设计

图4-2LeNet5网络模型构建

4.5实验结果

训练数据集的大小为2000张图片，包括10类不同的交通标志如4-2图所

示。

图4-3训练数据集

15

湖南商务职业技术学院毕业设计

将数据集按8:1:1的比例划分为训练集、验证集和测试集，具体包括1600

张图片、200张图片和200张图片。

选择批次大小(batchsize)为32，设置初始学习率为0.001，优化器

(optimizer)选择Adam优化算法来更新模型权重；训练轮数(epoch)为20次。训

练过程中使用交叉熵(Cross-Entropy)作为损失函数(lossfunction)来衡量预测结果

与真实结果之间的差异。

通过训练数据可知，使用LeNet-5网络模型进行训练的模型在该数据集上

的准确率通常在90%以上，优于许多传统算法的表现如4-3图所示。

图4-4LeNet-5模型训练准确率

5系统设计与实现

5.1可行性分析

1.技术可行性

算法可靠性：LeNet-5是一个经典的卷积神经网络模型，早在1998年就被

用于手写数字识别任务，后来也被应用于其他领域，如人脸识别、物体识别

等。在实际应用中，LeNet-5已经得到了广泛的验证，因此其算法的可靠性是

可以得到保证的。

数据集可获性：交通标志识别是一个很常见的视觉识别任务，在许多国家

和地区都有相关的交通标志数据集，如德国交通标志数据集(GTSRB)、美国交

通标志数据集(LISA)等。这些数据集可以轻松获得，并且具有足够的数据量和

分类粒度，可以用于训练和评估交通标志识别系统的性能。

硬件设备支持：LeNet-5的训练和推理都可以在普通的CPU和GPU上实

现，特别是推理时的计算量很小，可以在嵌入式设备上实现。因此，从硬件设

备角度来看，基于LeNet-5的交通标志识别系统技术可行性很高。

16

湖南商务职业技术学院毕业设计

识别效果：LeNet-5是一个相对简单的卷积神经网络模型，与更复杂的模

型相比，可能无法达到最先进的识别效果。但是在交通标志识别任务中，

LeNet-5已经可以取得不错的识别准确率，根据数据集和训练方法的不同，识

别准确率可以达到90%以上。

2.经济可行性

提高交通安全性：交通标志识别可以帮助驾驶员更好地识别交通标志，从

而减少交通事故的发生。通过降低交通事故，可以减少道路损失、医疗费用等

因交通事故而造成的直接和间接经济损失。

提高交通效率：交通标志识别可以帮助车辆准确地辨别行驶路线和交通标

志，从而提高交通流畅度、缩短路程耗时，降低车辆运营成本。

推广市场：随着人们对安全和便利性的要求越来越高，交通标志识别技术

将得到更广泛的推广和应用。例如，城市交通管理部门、物流企业和车辆制造

商等都可以将交通标志识别技术应用于其业务中，以提高工作效率和服务质

量。

技术创新：随着深度学习等人工智能技术的不断发展，对于交通标志识别

技术的研究和应用也将不断推陈出新。这将带来更多商业机会和技术创新可

能，为相关产业的发展提供强大的动力。

3.操作可行性

训练模型：基于lenet5网络模型的交通标志识别需要通过大量的标注图片

进行训练，从而得到一个高效且准确的模型。虽然训练模型比较耗时，但随着

计算机技术的不断进步，训练时间也得到了明显缩短。

图片分类：交通标志识别的具体实现就是将输入的图片分类到对应的标志

类别中。基于lenet5网络模型的交通标志识别采用卷积神经网络的分类方式，

可以较好地处理不同种类的图片，使得分类准确率较高。但在应用过程中还需

要结合实际情况进行参数调优，以实现最好的分类效果。

前端开发：基于lenet5网络模型的交通标志识别需要有一个适当的前端开

发实现。前端开发不仅影响用户体验，还影响到交通标志识别的模型调用，因

此需要了解相关的前端技术，如HTML、CSS和JavaScript等，以确保准确且

合适的展现交通标志识别结果。

移动端应用：移动端应用是基于lenet5网络模型的交通标志识别的一个重

要领域，具有较大的应用前景。但是，移动端应用需要更具可扩展性，实现轻

量级模型，并有能力应对不同种类的移动设备，而这些都需要专业的移动端技

术支持。

17

湖南商务职业技术学院毕业设计

5.2功能实现

5.2.1功能介绍

本项目设计主要围绕图像识别模块和人机交互界面，如图5-1所示。点击

“选择文件”按钮，选择需要识别的交通标志图片，图片会显示在界面当中，

点击“开始检测”按钮，等待算法识别结束，最终识别结果会显示在“检测结

果”方框当中。

图5-1交通标志识别系统界面

5.2.2操作实现

首先，双击打开软件，进入系统点击“选择文件”按钮，将准备好用于识

别的图片打开，如图5-2所示。

图5-2在选择交通标志图并显示

接着，点击“开始测量”按钮，等待数秒，直到出显示结果，如图5-3所

18

湖南商务职业技术学院毕业设计

示。