（一）准备数据集
选取两个典型的交通标志数据集（德国交通标志数据集GTSRB
与比利时交通标志数据集）
选取两个数据集原因
1.便于后续对测试结果的对比，以及准确率差别的分析
2.二者图片格式相似，同样的程序二者兼容，无需重新编写代码
3.二者都分为训练集和测试集，同时都有存贮着ROI特征区域信息的.csv文件，对图片处理过程相同
4.二者标签数量以及各个标签下的图片数量不同，便于对比
（二）图片处理&数据集修改完善（imagedeal.py）
1.数据库详细介绍：两个数据库的图片存储格式都为.ppm格式，每个类别文件夹（分类标签）下面除相应的交通标志外，还存有一个.scv文件，此文件用Excel可以打开，存储了该文件夹下的所有图片信息，包括图片名、长、宽、ROI特征区域的坐标（X1，Y1，X2，Y2）以及分类标签号，后面将根据csv文件中存贮的信息对图像进行处理。
2.载入模型之前，对图片进行处理。
用imagedeal.py程序对图片进行ROI区域提取，图片大小统一为 32*32，并将图片格式转化为JPG。
（三）图片预处理（Trafficsign_Main.py）
搭建步骤：
1.导入相关库
2.定义相关参数
3.导入训练图片
4.将图片分为测试集与训练集（注：模型训练与测试来自同一Dataset，按照比例将该Dataset分为测试集与训练集）
5.读取.csv文件
6.显示所有标签中的一些样本图片（N个标签*5张）
7.用直方图显示每个标签中所含样本数目
8.对输入的图片进行预处理
（1）BGR转换为灰度图
（2）直方图均衡化
（3）图像增广
9.显示预处理后的部分图片样本
（四）搭建卷积神经网络模型（Trafficsign_Main.py）
模型逐层参数如下（运行程序获得）：
（五）模型训练（Trafficsign_Main.py）
第一轮测试：
第二轮测试：
第五轮测试：
最后一轮测试：
（六）绘制loss曲线与accuracy曲线（Trafficsign_Main.py）
（七）模型测试、实时测试（TrafficSign_Test）
1.导入相关库
2.设置摄像头参数、激活摄像头
3.读入之前训练保存的模型
4.定义图片处理函数
（1）BGR转换为灰度图
（2）直方图均衡化
（3）图像归一化
5.定义标签与图片描述相对应的函数
6.while True中依次执行：
（1）读取图片
（2）图片处理
（3）图片标签预测
（4）显示预测结果
（5）关闭摄像头
