摘要

自动检测和识别交通标志在交通标志库存管理中发挥着关键作用。它提供了一种准确且及时的方法来管理交通标志库存，同时最大限度地减少人工干预。在计算机视觉领域，交通标志的检测和识别是一个研究较为深入的问题。现有的大多数方法在高级驾驶辅助系统和自动驾驶系统所需的交通标志上表现良好。然而，这仅占所有交通标志的一小部分（大约几百种中的50类），而对于剩余的需要用于消除交通标志库存管理中人工劳动的交通标志类别，其性能仍是一个未解决的问题。本文针对适合自动化交通标志库存管理的大规模交通标志类别检测和识别问题进行了探讨。我们采用了卷积神经网络（CNN）方法，即Mask R-CNN，以实现从检测到识别的全流程自动化端到端学习。我们提出并评估了若干改进措施，这些措施在交通标志检测方面取得了更好的整体性能。该方法应用于包含200个交通标志类别的新型数据集的检测任务中。我们在之前研究尚未涉及的高度挑战性的交通标志类别上报告了实验结果。我们对具有较大类内外观变化的交通标志检测的深度学习方法进行了全面分析，并展示了所提方法的错误率低于3%，足以满足实际应用中交通标志库存管理的需求。