交通标志在车辆的安全行驶和自动驾驶中都有着大量的研究。由于交通标志的种类繁多且受各种因素的影响，交通标志的分类检测也是一个具有挑战的难题。为此，提出了一种标签结合现实道路场景的交通标志分类检测方法，该方法分为数据生成部分和目标检测部分。实验结果表明，利用该方法生成训练数据，能够有效地训练深度卷积神经网络，实现现实场景交通标志的分类检测，并且优化的检测模型相比文中提到的模型具有更小的体积和更快的速度。

　　中文引用格式：张成，张瑞宾，王曙道. 标签结合现实场景的交通标志分类检测研究[J].电子技术应用，2022，48(3)：27-31，36.

　　球速体育平台

　　在车辆安全和自动驾驶领域，交通标志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。