刘 凤，李 华，南方哲，钱育蓉

(新疆大学 软件学院，新疆 乌鲁木齐 830046)

0 引 言

交通标志的检测与识别分为两种：基于传统方法、基于深度学习[1]算法。文献[2-5]采用传统算法，根据交通标志的颜色和形状特征进行判别。但是在复杂场景中交通标志受遮挡、褪色、天气状况等影响，增加了检测难度。

目前，基于深度学习算法被广泛应用到交通标志的检测与识别领域。Zhu等[6]结合AlexNet和OverFeat框架对交通标志进行分类和回归，准确率达到88%。文献[7,8]采用Faster R-CNN[9]对交通标志进行了检测，但特征学习的网络权重规模较大。He等[10]提出深度残差框架解决深层网络退化问题。Redmon等[11]提出的YOLOv3采用简化的残差块对目标进行检测。Shen等[12]提出的DSOD算法引入DenseNet[13]思想进行检测。总体看来，基于深度学习的方法取得显著成果，但是仍面临以下挑战：

(1)在自然场景下所采集的图像具有物体遮挡、拍摄角度、形状畸变等问题影响特征信息的提取，导致准确率下降；

(2)随着网络层数的增加，使得网络复杂度变高；

(3)在复杂的场景下能准确检测特定的交通标志也是必要的。

针对上述问题，本文以Faster R-CNN为基础，提出基于DenseNet的交通标志检测方法(densely faster region convolutional neural network，DesFR-CNN)。实验结果表明，通过DenseNet提取特征可以降低网络复杂度，同时提高检测性能。

1 相关模型介绍

1.1 Faster R-CNN目标检测原理

Faster R-CNN创新性地引入区域候选网络(region proposal network，RPN)，通过RPN预测候选区域，数据限定在300个，RPN作用一张图像花费10 ms，速度明显快于传统的选择性搜索[14](selective search，SS)。Faster R-CNN将候选区域生成、特征提取、分类和Bounding box回归整合为一个框架，提高了网络的整体性能且大幅度提升了检测的速度。……