蔡 凯,周永霞

(中国计量大学 信息工程学院,浙江 杭州 310018)

由于无人驾驶的蓬勃发展,车载辅助系统是近年来研究的热点。其核心的步骤之一便是如何能够快速、准确地理解前方道路的信息。在这之中,由于交通标志所含有的有效信息最多,因此对交通标志的快速检测与识别是驾驶辅助系统的关键[1-2]。

近年来,国内外的学者对交通标志的检测与识别有诸多研究。在传统算法中,一方面,通过交通标志的颜色进行检测,KAMADA H等人[3]提出了根据特定的RGB颜色分量的强度与RGB的强度之和的颜色比的方法。ESCALERA A等人[4]也提出了一种通过RGB相关性阈值进行分割的方法。MIURA J[5]提出基于YUV的方法,ARNOUI P[6]提出通过HIS彩色空间进行检测的方法;另一方面,通过交通标志的形状进行检测。MALDONADO-BASCON S[7],LIU H[8]提出了基于径向对称的算法。MATHIAS M等人[9]分别将现有的部分交通标志检测算法在德国交通标志数据集和比利时交通标志数据集进行性能评估。

随着深度学习的发展,业界普遍认为深度学习在图像方面的表现是优于某些传统方法的。尤其在目标检测方面取得了巨大的进展,通过诸多学者的不懈努力,提出了SPPNet[10]，Fast R-CNN[11],Faster R-CNN[12],YOLO[13]和SSD[14]等诸多目标检测算法。使得基于卷积网络的目标检测算法在检测速度和检测精度上都有了大幅度的提高。JIN J Q等[15]提出了使用铰链损失随机梯度下降的优化神经网络的方法。QIAN R等[16]提出了一种基于区域的深度卷积神经网络的方法。

在数据集方面,交通标志的公开数据集数目远远落后于计算机视觉其他领域的数据集数目。……