胡鹏，黄辉，王琼瑶，邹媛媛，蔡庆荣

（五邑大学 智能制造学部，广东 江门 529020）

道路交通标志的检测与识别[1]是自动驾驶领域一个非常重要的研究分支.然而，在实际行驶过程中，同一个视觉镜头下会出现多个不同种类的交通标志，而且交通标志图像还会出现顺光、逆光、遮挡和褪色等各种实际问题，这些因素都会在不同程度上影响交通标志的检测效果.因此，对交通标志进行准确、高效和稳定的检测与识别是一个具有很高挑战性的实景目标检测任务.

自LeNet[2]在1998年被提出以来，卷积神经网络(CNN)迅速衍生出基于深度学习的两阶经典检测器RCNN（Region-Convolutional Neural Networks）[3]系列算法、单阶多层检测器SSD（Single Shot Multibox Detector）[4]系列算法和单阶经典检测器YOLO（You Only Look Once）[5]系列算法，这3种系列算法在目标检测方面都各有优势.SSD系列算法准确率高，但检测速度相对较慢.YOLO系列算法则是以检测速度快著称，其中的YOLOv3检测算法[6]通过多尺度预测，提高了算法对常规场景下的小目标的检测能力，因此 YOLOv3的快速检测识别能力正是自动驾驶领域所需要的，但由于其定位准确度仍存在不足，召回率相对偏低，尤其是对于遮挡和拥挤重叠这些较难处理的情况，检测精度仍然存在提升空间.因此，本文选择YOLOv3算法作为基础算法，针对小像素交通标志图像的识别问题，提出一种改进的 YOLOv3算法，以满足自动驾驶对道路交通标志的检测精度和速度的要求.

1 本文改进算法

1.1 针对画面中小像素交通标志的网络结构优化

本文所识别的图片来自……