项目介绍
本项目是一套面向交通指挥场景的交警手势识别系统，围绕“图像上传、智能识别、结果展示、历史留存、用户管理、公告发布”等业务需求进行设计与实现。系统前端采用 Vue3 与 Element Plus 构建交互界面，能够完成用户登录、图片上传、识别结果查看、历史记录查询及系统公告浏览等操作；后端采用 Flask 搭建轻量化服务，提供认证鉴权、识别接口、数据管理和文件访问能力；算法部分基于 TensorFlow 框架，引入 ResNet50 深度卷积神经网络模型，实现对“停止、减速指令、变道指令、右转指令、左转、左转待转指令、直行、靠边停车”8 类交警手势的自动分类识别。
选题背景与意义
随着城市机动车数量持续增长，复杂路口、临时管制路段及特殊天气条件下的交通疏导任务日益繁重，交警手势仍然是保障道路安全和提升通行效率的重要指挥方式。然而，传统人工识别方式在培训、监督和智能化应用中存在效率低、主观性强、标准统一难等问题，难以满足智慧交通发展需求。基于计算机视觉与深度学习技术构建交警手势识别系统，能够对交通指挥动作进行自动分析与分类，一方面可辅助交警教学训练，实现手势标准化评估与案例复盘；另一方面也可为智能监控、交通事件分析和人机协同指挥提供基础能力。
关键技术栈：ResNet50
ResNet50 是一种经典的深度残差网络，包含 50 层可训练结构，其核心思想是在网络中引入残差连接，使输入特征能够跨层传递，从而有效缓解深层网络训练过程中常见的梯度消失和网络退化问题。相较于普通卷积神经网络，ResNet50 在特征提取能力、模型稳定性和迁移学习适配性方面具有明显优势，尤其适合图像分类任务。在本系统中，交警手势图像首先被统一缩放至 224×224 尺寸，并进行归一化处理，随后输入 ResNet50 模型完成特征提取与类别判定，输出 8 类手势的置信度结果。系统不仅返回最高概率类别，还保留全部类别预测分数，便于前端展示详细识别信息和后续结果分析。
