李丝绦，张荣芬，刘宇红

（贵州大学 大数据与信息工程学院，贵阳 550025）

0 引言

随着交通问题的日益严峻，智能化交通的发展是当今社会发展的一大趋势，交通标志检测与识别作为计算机视觉中一个重要的领域，是智能化交通发展中的重要一环。由于自然场景的复杂多变性及交通标志本身在尺寸与距离上的特殊性，增加了目标检测和识别的难度。

深度学习的快速发展为交通标志识别带来了新的思路，相比于过去基于颜色或形状的检测方法［1］，基于卷积神经网络（CNN）的检测方法能够对交通标志进行准确的定位和分类。2012 年Alex等人提出了AlexNet 网络［2］，在ImageNet 竞赛中获得冠军。该网络使用双GPU 并行处理，并采用卷积加全连接的网络结构对目标进行检测，在交通标志类的大规模数据集的识别过程中，该网络top－5 错误率仅为15.3%；2015 年Redmon J［3］提出了用于目标检测的YOLOv3 网络模型，其在交通标志检测与识别领域中有着很宽泛的应用，通过多尺度单阶段对交通标志进行检测；Mingyu Gao［4］等人提出了基于高斯混合模型和类别聚焦损失的交通标志目标检测网络，并将类别比例因子纳入网络中，在提高识别精度的同时以解决数据集类别不平衡的问题；Chang Sun［5］等人采用单一对象检测框架，并构建稠密链接传输模块对低像素交通标志图像进行检测并获得上下文信息，从而进行更为准确的识别。目标联合交集（IoU）是目标检测中最为常用的评估指标之一，Hamid Rezatofighi［6］等人提出了通用IoU，并将这一指标以损失函数的改进方式添加到经典的目标检测算法（例如Fast R－CNN、Mask R－CNN）中，改进后算法在检测与识别精度上都获得了显著的提升；……