徐国整， 周 越， 董 斌, 廖晨聪

(1.上海交通大学 船舶海洋与建筑工程学院，上海 200240； 2.上海交通大学 电子信息与电气工程学院，上海 200240；3.东南大学 土木工程学院,江苏 南京 211189)

0 引 言

交通标志牌检测是指在车辆行驶过程中利用计算机视觉技术采集交通标志并实现自动检测与识别。现有的基于深度学习的交通标志牌检测算法可以分为两大类：一类是基于回归方法的目标检测算法，另一类是基于候选框提取的目标检测算法。前者的典型代表有YOLO[1]和SSD[2]，它们直接对图像进行划分网格，在每个网格对应位置回归出目标位置和类别信息，检测速度非常快，但是在检测精度上略有欠缺。后者的典型代表是Faster R-CNN[3],它先通过候选区网络(region proposal network,RPN)提取可能存在交通标志的候选框，再用R-CNN[4]对其进行检测，使检测精度得到很大提高，但是在较高IOU(intersection over union)阈值下仍然无法满足该任务的精度要求[5]。文献[6]提出级联R-CNN结构，使得能够在高IOU阈值的情况下训练出高质量的检测器。

本文基于虚拟仿真环境下的自动驾驶交通标志识别大赛提供的数据集，针对雨、雪、雾天等恶劣环境下以及行人状况等干扰因素，交通标志容易被遮挡，且目标较小，难以被高精度识别以及定位的问题，本文首先对数据集进行了去雾、增亮增强；并基于改进的Cascade R-CNN，提出了先粗后精和模型融合的思想和设计了检测算法框架。本文提出的算法模型较其他模型有着显著的优势，能高精度精准的检测并识别复杂环境下道路周边交通标志牌。……