雷蕾，方睿，徐铭美，李姗

（成都信息工程大学计算机学院，成都610225）

0 引言

近年来，科技的蓬勃发展为人类日常生活带来越来越多的便利，随着人工智能技术的发展，自动驾驶技术也成为了现实。交通标志识别系统是高级驾驶辅助系统的子系统，该系统通过车载相机采集前方路段的交通标志信息，在指导车辆正确行驶、调节交通、提高通行能力和减少交通事故等方面发挥重要的作用。

目标检测技术是交通标志识别系统的重要技术支持，传统的目标检测的方法主要是根据图像颜色和形状特征进行匹配从而实现效果的，常用方法有RGB颜色空间法[1]、HSI颜色空间法[2]、霍夫变换[3]、边缘信息检测法[4]等，之后通过支持向量机对检测到的特征进行分类。但是由于算法检测结果容易受到光照和天气影响，尤其当交通标志出现破损、遮挡、褪色时，算法检测结果极易不稳定，造成漏检。

随着人工智能技术的兴起，又提出了基于深度学习的目标检测方法。第一种是基于候选区域的目标检测算法：R-CNN[5]和Faster R-CNN[6]等。该算法主要通过分别训练区域建议网络（Region Proposal Net⁃work，RPN）和目标区域检测的网络达到检测的目的，虽然检测和定位的效果好，但是应用到实际之中，实时性达不到要求。随后提出了基于回归的目标检测算法，包括RetinaNet[7]、SSD[8]和YOLO[9]系列等，输入图片后直接在一个网络中进行回归和分类，很大程度减少了检测过程中的重复运算，因此检测速度有了显著的改善。其中YOLO系列算法以准确率高、实时性强的优势领先于其他基于回归的检测算法，但大部分网络由于结构复杂、模型权重大等问题无法满足实际需求。……