赵树恩，刘 伟

(重庆交通大学 机电与车辆工程学院，重庆 400074)

0 引 言

快速、准确的交通标志定位与识别是自动驾驶环境感知的重要内容，也是决策规划的前提，对降低交通事故率和缓解日趋严重的交通拥堵等问题具有重大作用[1-2]。近年来对交通标志定位与识别的研究众多，且取得了较为满意的成果，但应用于多变的实际场景中，仍存在许多问题。

目前交通标志检测与识别的研究方法主要包含两类：基于传统图像特征提取结合机器学习的两步骤方法和基于深度学习的目标检测方法[3]。传统图像特征主要有：①基于颜色特征的方法，在RGB、H(色调)S(色饱和度)I(亮度)、HSV等色彩空间中分割出指定的色彩区域，然后提取出交通标志；② 基于形状特征的方法，首先需要对道路交通图像进行边缘检测，提取出其中特定的几何形状特征，然后利用机器学习的方法对定位出的交通标志分类，识别其语义信息。常用的机器学习方法为AdaBoost及支持向量机(SVM)。C.BAHLMANN等[4]同时考虑图像颜色特征及Haar特征，然后基于AdaBoost算法实现交通标志检测。C. G. KIRAN等[5]首先对图像进行色彩分割，将分割后的小块与边缘特征结合，然后利用SVM实现交通标志分类。

基于传统图像特征检测结合机器学习分类的方法可快速实现定位和识别，但对光照敏感性强，在有阴影、亮度低和存在遮挡和运动模糊的情况就难以取得较好的识别效果[6-7]。

随着深度学习理论的发展，卷积神经网络在目标检测方面的优势明显，避免了传统方法中的人工特征提取过程。……