文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211840
中文引用格式： 張成，張瑞賓，王曙道. 標簽結合現(xiàn)實場景的交通標志分類檢測研究[J].電子技術應用，2022，48(3)：27-31，36.
英文引用格式： Zhang Cheng，Zhang Ruibin，Wang Shudao. Research on classification and detection of traffic signs based on tags combined with real scenes[J]. Application of Electronic Technique，2022，48(3)：27-31，36.
0 引言
在車輛安全和自動駕駛領域，交通標志的檢測有著很大的實用價值。真實的交通場景復雜多變，交通標志易受到光照、雨霧和遮擋等外在因素的影響。傳統(tǒng)的檢測算法根據(jù)交通標志的形狀、顏色等特點[1-6]，使用不同尺度大小的滑動窗口對待檢測圖片進行潛在目標區(qū)域提取，之后對潛在區(qū)域通過HOG(Histograms Of Oriented Gradient)[7]、Gabor[8]、Haar-like[9]等人工提取特征方法，結合支持向量機、BP(Back Propagation)神經(jīng)網(wǎng)絡、極限學習機和最近鄰算法等常用的機器學習算法完成分類的任務。這些方法若要完成細分類檢測問題，工作量巨大，且最后的效果也不盡理想。
深度學習方法不同于前面的方法，它利用深度卷積神經(jīng)網(wǎng)絡完成特征提取，實現(xiàn)交通標志的檢測任務。目前常用方法可分為候選區(qū)域和邏輯回歸。候選區(qū)域的網(wǎng)絡(如RCNN(Region-Convolutional Neural Network)[10]、Faster R-CNN[11])先提取出候選的區(qū)域特征，之后根據(jù)候選區(qū)域的特征進行位置和類別的學習，這種方法突出了出色的檢測精度，犧牲了計算的時間和存儲資源；邏輯回歸的網(wǎng)絡(如YOLO(You Only Look Once)[12]、SSD(Single Shot Detector)[13])直接將預測邊界框的坐標和類別設置為回歸問題，提升了網(wǎng)絡的檢測速度，但是針對具體的任務網(wǎng)絡模型還需要進一步調(diào)整，且完成交通標志檢測的研究需要數(shù)據(jù)龐大的交通標志數(shù)據(jù)集。
本文詳細內(nèi)容請下載：http://www.shi-ke.cn/resource/share/2000003997。
作者信息：
張 成，張瑞賓，王曙道
(桂林航天工業(yè)學院 汽車與交通工程學院，廣西 桂林541004)
