李 哲， 张慧慧， 邓军勇

(西安邮电大学 电子工程学院, 陕西 西安 710121)

1 引 言

近年来，随着全球汽车数量的逐渐增加，高级辅助驾驶系统(Advanced Driver Assistance System，ADAS)迎来了新的发展机遇。道路交通标志检测与识别[1]作为ADAS的关键技术，可以指导辅助驾驶员做出相应驾驶决策，减少交通事故的发生。因此，真实路况下及时并准确地检测出交通标志，对辅助驾驶、无人驾驶具有重要的现实意义。

传统的交通标志检测方法主要有RGB[2]、HSV[3]颜色空间、形状特征匹配法[4]、Hough变换法[5]等，都能够取得较好的检测结果。但这些方法极易受到标志破损、图像倾斜扭曲、光照变化等因素的干扰，造成错误检测。另外，陈龙等人[6]首先提取交通标志的局部二值化(LBP)和梯度方向直方图(HOG)特征，然后使用支持向量机SVM[7]、AdaBoost[8]等特定的分类算法实现交通标志的分类检测。虽然这种方法鲁棒性较强，但泛化能力薄弱，检测时间长，无法满足实时性的要求。近年来，基于深度学习[9]的交通标志检测算法[10]以其优异的性能逐渐取代了传统的多类别目标检测方法。Girshick等人首先提出了一种基于区域的卷积神经网络R-CNN[11]。随后，又提出了Fast R-CNN[12]和Faster R-CNN[13]算法。Faster R-CNN采用区域建议网络(RPN)结构替代选择性搜索获取目标候选区域[14]，然后送入Fast R-CNN网络识别目标类别，在检测速度和精度上都有明显提升。此外，王超等人[15]提出基于You Only Look Once(YOLO)的交通标志检测算法，将特征图等分为n×n个网格，然后预测每个网格区域内的目标。宋青松等人[16]运用一种聚类残差Single Shot multiBox Detector(SSD)算法实现交通标志检测，在提取多个候选窗口的基础上，增加了K均值聚类的思想。……