刘 艳，王乐乐

(长春大学 计算机科学技术学院，长春 130022)

交通标志分类是交通标志识别中继交通标志检测之后的一个子任务。交通标志识别是辅助驾驶系统以及自动驾驶中重要且具有挑战性的问题。困难主要体现在真实的路况下，交通标志不一定都能非常清晰、垂直拍摄得到，可能会遇到汽车转弯、障碍物遮挡、雾霾天气、光线不足等情况造成采集到的交通标志图像存在一定角度、局部图案、画面模糊、亮度不够等情况，但是即使这样，在智能交通中也希望能对这些质量不高的图像快速地进行分类，及早准确地对交通作出指示和判断。

随着深度学习在大数据集上的表现大放异彩，很多学者也将深度学习用于交通标志分类与检测。文献[1]利用CNN网络提取交通标志图像的特征，该网络包括3个卷积层、3个池化层和1个全连接层，使用极限学习机分类器对交通标志进行分类。文献[2]提出使用结合铰链损失函数的随机梯度下降法训练卷积神经网络，该网络由3个卷积层、3个最大池化层、2个全连接层等17层组成，在GTSRB数据集上的识别率达到99.65%。文献[3]提出一个具有权重的多CNN的并行网络结构，具体包括2～3个Inception层、2个卷积层和2个全连接层，充分利用Inception模块通过不同大小的卷积核提取不同尺寸特征的特性，专门针对GTSRB数据集进行训练得到分类模型，识别率较高，达到99.59%。文献[4]和[5]使用Gabor小波(核或者滤波器)结合卷积神经网络模型解决实时交通标志检测和识别问题。……