郭璠，张泳祥，唐琎，李伟清

（中南大学自动化学院，湖南 长沙 410083）

1 引言

交通标志检测不仅能够为辅助驾驶系统提供有效的路况数据支持，而且在建立高精度地图方面可以避免烦琐易错的人工标注。因此，对交通标志检测系统进行深入研究，不仅在提高道路安全性方面具有很大的实用价值，而且能够对无人驾驶技术的发展起到推动性作用。传统的交通标志检测算法可以分为感兴趣区域（RoI,region of interest）提取和RoI 分类2 个阶段。在RoI 提取阶段，通常使用不同尺度和比例的滑动窗口在整幅图像上扫描，以获得潜在的目标区域；在RoI 分类阶段，常用HOG（histograms of oriented gradient）[1]、Gabor[2]、Haar-like[3]等人工设计特征，结合机器学习算法进行RoI 的类别判断。由于存在光照、变形、遮挡等问题，传统方法在实际的交通标志检测任务中难以取得良好效果。

近年来，随着卷积神经网络在计算机视觉领域不断深入和发展，基于深度学习的交通标志检测算法也取得了很大提升。现有的检测方法可以分为两阶段方法和一阶段方法。以 Faster R-CNN（region-convolutional neural network）[4]为代表的两阶段方法使用RPN（region proposal network）通过共享卷积特征的方式在特征层面生成建议框，再利用建议框区域的卷积特征进行分类和目标框的定位学习，具有精度高但速度慢的特点；以YOLO（you only look once）[5]、SSD（single shot detector）[6]为代表的一阶段目标检测方法将目标框的定位和识别任务统一按照回归的逻辑，由卷积神经网络在输出层一次性预测完成，具有速度快但精度低的特点。实时性是工业领域和实际应用场景中的关键指标，因此提高一阶段检测方法的精度更有实用价值。……