0 引言
在车辆安全和自动驾驶领域，交通标志的检测有着很大的实用价值。真实的交通场景复杂多变，交通标志易受到光照、雨雾和遮挡等外在因素的影响。传统的检测算法根据交通标志的形状、颜色等特点[1-6]，使用不同尺度大小的滑动窗口对待检测图片进行潜在目标区域提取，之后对潜在区域通过HOG(Histograms Of Oriented Gradient)[7]、Gabor[8]、Haar-like[9]等人工提取特征方法，结合支持向量机、BP(Back Propagation)神经网络、极限学习机和最近邻算法等常用的机器学习算法完成分类的任务。这些方法若要完成细分类检测问题，工作量巨大，且最后的效果也不尽理想。
深度学习方法不同于前面的方法，它利用深度卷积神经网络完成特征提取，实现交通标志的检测任务。目前常用方法可分为候选区域和逻辑回归。候选区域的网络(如RCNN(Region-Convolutional Neural Network)[10]、Faster R-CNN[11])先提取出候选的区域特征，之后根据候选区域的特征进行位置和类别的学习，这种方法突出了出色的检测精度，牺牲了计算的时间和存储资源；逻辑回归的网络(如YOLO(You Only Look Once)[12]、SSD(Single Shot Detector)[13])直接将预测边界框的坐标和类别设置为回归问题，提升了网络的检测速度，但是针对具体的任务网络模型还需要进一步调整，且完成交通标志检测的研究需要数据庞大的交通标志数据集。
本文详细内容请下载：http://www.chinaaet.com/resource/share/2000003997。
作者信息：
张 成，张瑞宾，王曙道
(桂林航天工业学院 汽车与交通工程学院，广西 桂林541004)
