肖丹东 陈劲杰

摘 要：以Faster R-CNN为代表的two-stage目标检测算法检测速度慢，而one-stage目标检测算法中的SSD算法虽然检测速度快，但对交通标志类小目标的检测效果不佳。因此在SSD算法VGG16骨干网络上引入感受野块（RFB）结构，既提升检测速度又可在小目标检测上达到良好的检测精度。与此同时，为提高网络分类精度，在损失函数中加入中心损失。将SSD算法与改进的SSD算法在VOC数据集上进行训练，对比其性能可知，改进后算法mPA值达到80.7%，相比SSD300（VGG16）算法提高了3.5%。该算法在LISA traffic sign数据集上训练，在迁移学习的基础上得到的mPA值为78.4%，检测单张图像平均耗时为20.5ms，可满足实时性要求。

关键词：交通标志;小目标检测;RFB结构;中心损失

DOI：10. 11907/rjdk. 191977 开放科学（资源服务）标识码（OSID）：

中图分类号：TP312文献标识码：A 文章编号：1672-7800（2020）005-0048-04

0 引言

交通标志信息是交通场景中的重要环境信息，是保证先进驾驶辅助系统（Advanced Driver Assistant System， ADAS）正常运行的必要条件。目前基于计算机视觉的目标检测算法可部分满足场景信息检测需求[1]，但在实际应用中还存在一些缺陷。基于OpenCV的目标检测方法，如HOG（histogram of oriented gradient）、SIEF（scale-invariant feature transform）等方法使用人工设定先验条件的方式进行检测，导致算法鲁棒性差，难以适应交通标志类复杂的交通场景检测;如果算法应用到大范围的智能化作业，不仅算法耗时、监管人力消耗较大，同时算法实时性指标也难以满足[2]。

近年来，CNN网络在ImagNet中表现卓越，基于深度学习的目标检测方法在图像目标检测领域成为应用热点，相比基于OpenCV的目标检测方法，基于CNN网络的算法模型可检测到图像不同深度的特征，且可自主学习，获得更丰富的特征。……