喻清挺，喻维超，喻国平

（1.南昌大学 信息工程学院，南昌 330031；2.国家电网南昌供电公司，南昌 330077）

0 概述

交通标志检测是自动驾驶和辅助驾驶的重要组成部分，交通标志中含有速度限制、路面状况等信息，是安全驾驶的重要一步，因此，对交通标志进行研究具有重要的理论和现实意义。研究人员已经提出多种交通标志检测方法，在深度学习模型提出以前，交通标志检测方法［1-3］大体分为基于交通标志颜色形状的视觉信息方法［4-5］、基于特征提取和机器学习的识别方法［6-8］等。

自从AlexNet［9］在ImageNet 大赛夺冠后，多种深度学习模型被提出并应用于交通标志检测任务。文献［10］设计一种端到端的全卷积神经网络，其在Tsinghua-Tencent 100K 数据集检测中表现出强大的鲁棒性。文献［11］对Faster R-CNN［12］中的区域建议网络（RPN）接收域进行修改，使模型能够更好地适应交通标志这种小目标。文献［13］通过使用多个1×1 的卷积核，在降低模型计算复杂度的同时提高了检测的实时性。文献［14］提出一种基于多尺度区域的卷积神经网络，其在RPN 中融入上下文信息，能准确检测出较小的交通标志。

由于模型结构设计存在差异，导致各种目标检测模型的侧重点不同：一阶检测器（如YOLO［15］、SSD［16］等）检测速度快，但对交通标志这种小目标并不敏感，精度较低，容易产生误判；二阶检测器（如Faster R-CNN、FPN［17］等）精度高，但速度较慢，对于交通场景这种变化较快的情况，无法及时将信息传递给汽车。为此，本文基于区域全卷积网络（R-FCN）［18］框架提出一种改进的交通标志检测算法。……