邵毅明，屈治华，邓天民，宋晓华

(重庆交通大学交通运输学院，重庆400074)

0 引言

交通标志检测技术作为无人驾驶系统的重要环节，为智能车的行车导航和驾驶决策提供了有效信息.复杂交通环境下交通标志的准确定位和实时检测对提高车辆的行驶安全，保障道路交通顺畅起到了至关重要的作用[1-2]，对其研究具有重要的理论价值和应用价值.

在计算机视觉和人工智能领域，以卷积神经网络为代表的深度学习算法在目标检测、识别、跟踪等方面相比于传统机器学习算法优势明显，从训练数据集中通过端到端的学习获取图像特征，避免了复杂繁琐的人工特征提取阶段，在一些特定任务中其结果甚至超越了人类的能力[3].现有深度学习目标检测算法可分为两类：一类是双阶段检测器，代表性的算法有Faster RCNN[4]，RNN[5]等，此类算法普遍存在网络参数和计算量过大的问题，需要占用大量存储空间对网络进行保存，难以满足实际应用中对算法实时性的要求；另一类是端到端的单阶段目标检测器，主要研究算法有YOLO[6]，SDD[7]，此类方法可直接利用输入图片，在图片各个位置同时回归得到目标的回归边界框坐标和分类，相比前者在运算效率上得到提升，但算法利用全连接层中的全局特征进行训练，检测精度较低.对于实际场景中的交通标志检测任务，目前算法难以达到检测精度和时间效率间的相互平衡，高精度网络普遍包含大量网络参数和计算……