徐 喆，冯长华

(北京工业大学 信息学部，北京 100124)

0 引言

在智能交通系统中，车辆通过摄像头等传感器获取自然场景下的交通标志，用于车辆的辅助驾驶。智能交通标志识别系统需要在较远距离下完成对交通标志的检测与识别，以尽早地规避风险、遵循提示，但是也导致获取到的交通标志尺寸较小、所含信息量不足，再加上背景复杂等原因，对交通标志的检测及识别带来困难[1-3]，所以需要对小尺度交通图像作有效地处理，以提高检测识别的准确率。

在小尺度目标体的识别领域中，传统的方法有贝叶斯估计[4]、Top-Hat算子[5]等，这类方法应用范围广，能有效地抑制噪声干扰，增强图像的对比度，但不能直接映射输出小目标体的特征信息。还有一些研究者通过最邻近插值算法、双线性插值法等[6-7]对图像进行放大处理，但是放大的图像存在边缘模糊、锯齿效应明显、图像失真严重等缺点，导致最终的分类识别效果不佳。

近年来，以卷积神经网络为代表的图像处理技术，在目标识别、语义分割领域取得优异的成绩，也成为智能交通领域研究的重点。卷积神经网络各层能对输入图像自适应地提取所需特征，有效提高识别准确率。基于此，许多学者探索有效的卷积层特征应用于小尺度目标的识别。Takeki等[8]将IMageNet[9]比赛中具有优秀分类能力的深度学习模型直接应用于小目标体识别，但较深的网络结构在小目标的处理中易因过多池化(Pooling)操作引发特征丢失问题。……