田智慧 孙盐盐 魏海涛

1(郑州大学地球科学与技术学院 河南 郑州 450052)2(郑州大学信息工程学院 河南 郑州 450001)

0 引 言

交通标志是道路行车的重要驾驶规则，快速并准确地检测与识别出交通标志并把有效的信息传递给智能车控制系统，对提高车辆的行驶安全，保障道路顺畅起到了至关重要的作用和意义[1-2]。然而在自然场景中，由于交通标志图像目标较小、背景复杂等原因，使交通标志检测面临着一定的困难。

目前，交通标志的检测算法主要分为传统的图像处理算法和基于神经网络的检测算法。传统算法主要通过标志颜色和形状信息进行检测。其中，基于颜色的检测主要包括RGB空间和HSV空间下的交通标志检测，通过分割特定的颜色创建显著性映射，可快速高效地对候选区域进行检测，但极易受到光照影响，无法满足恶劣天气条件下的检测需求[3]。而基于形状的检测利用交通标志在形状上的特殊性对其边缘进行检测，但当交通标志发生运动模糊或遮挡等情况时，将造成算法精度下降。传统的算法泛化能力较弱，处理大量数据能力较差，无法满足复杂的交通场景需求。近年来，随着深度学习技术的出现，目标检测算法的性能不断提升，在计算机视觉领域得到广泛应用[4]。

基于深度学习的目标检测算法有两类，一类是two-stage算法，模型分为两个阶段，首先产生候选区域[5]，再进行分类与定位，典型算法有R-CNN[6]、SPP-NET[7]、Fast R-CNN[8]、Faster R-CNN[9]、R-FCN[10]、Mask-RCNN[11]等；另一类是one-stage算法，模型采用回归的思想，不需要候选框阶段，网络直接输出类别概率和位置信息，以YOLO[12]和SSD[13]算法为代表，其算法实时性比基于区域候选框的算法好，检测精确度也有所提高。……