姚兆骁 郑尧成 陈 洋

（上海工程技术大学 上海 201620）

1 引言

交通标志本质是提供有用信息的视觉语言［1］。在智能交通系统（ITS）中，交通标志识别是先进驾驶员辅助系统（ADAS）的重要组成部分，它提供驾驶员警告和指导信息，它是无人驾驶车辆中最重要的领域之一，保持车辆的有序和安全。交通标志识别系统分为交通标志检测和交通标志识别。检测阶段是定位兴趣区域，分类阶段是识别候选者或拒绝候选者。

检测阶段，传统的检测方法包括颜色分割、形状匹配。这些方法简单直接，但对光照、遮挡等因素较为敏感。相比较单一地使用交通标志较为浅层次的颜色或形状特性，也有不少学者将两种方法进行结合［2］。但这些传统结合的检测方法极其耗时且不变性差，同样无法满足本文研究对象检测相关指标。

目前，最常用的方法是利用机器学习进行检测。尤其，具有优秀的自适应学习能力卷积神经网络在交通标志检测领域大显身手［3～4］，并解决了人工定义特征的缺陷［5］。2014年，Girshic等最早将R-CNN（regions with CNN）引入目标检测领域算法，从而实现目标检测的端对端训练，提升了速度和精度。FPN算法［6］引入特征金字塔，为多尺度检测带来福音。YOLO系列算法［7～9］进一步简化检测问题。SSD算法［10］实时性表现优秀，但因其高分辨率特征有损，仍不能够满足交通标志多尺度检测要求。

分类识别阶段，传统方法包括手工制作的功能和常规分类器。通常，设计合适的手工制作功能具有挑战性且耗时。研究表明，CNN提取的特征更加稳健，这在德国交通标志识别基准（GTSRB）［11］上得以证明。……