1.1 研究目的及意义

随着科学技术的进步，人们对汽车的依赖日益紧密，汽车逐渐发展成了今天的模样。汽车的发明改变了人们的出行方式，加速了社会运转的步伐，促进了人类文明的高速发展。虽然汽车的发明给我们带来了巨大的便利，但是，也给我们的生活带来了巨大的困扰。交通事故、环境污染、城市道路拥挤等问题日益严重。

随着技术的发展，无人驾驶技术也有望解决所有汽车给人类带来的困扰；掌握无人驾驶技术成了世界各国汽车领域研究的工作重心，其中无人驾驶的四大核心技术——环境感知、精确定位、路径规划、线控执行，更是国内外争相攻克的热门课题。而四大核心技术之一环境感知技术，涉及计算机视觉、毫米波雷达、激光雷达等技术的应用，是最基础的也是最重要的部分。环境感知主要包括道路识别、障碍物识别以及交通标志识别等关键技术。道路识别主要是识别汽车可行驶的区域以及车道线等特征，障碍物识别则囊括所有可能与汽车发生碰撞的障碍物，包括车辆、行人等障碍物。交通标志识别（Traffic sign recognition，简称TSR）作为环境感知的一部分，是智能交通系统、无人驾驶汽车最为重要的一环，相比于其他ADAS技术，同样是通过摄像头采集车辆周围的环境，然后从图像中提取出有用的交通标志信息，并对信息进行解析，最后将解析的信息通过报警或者直观显示提醒驾驶员。但是，由于交通标志种类繁多，涉及到禁令标志、指示标志、警告标志等众多标志，并且交通标志所在的场景又千差万别，加之光照、变形、遮挡等影响，导致交通标志识别是视觉处理技术的一大难点和重点。

1.2 国内外研究现状

早在为了减轻将来汽车带来的种种后果,欧洲研究项目PROMETHEUS于1986年启动,该目的研究目的是开发技术和理念，提高安全性，减轻驾车者的负担，提高机动性和运输生产力，保护环境。其中一个模块就是自动交通标志识别，该系统由乌尔姆的戴姆勒-奔驰研究中心承担开发，该系统的任务是通过装在车辆中的摄像机采集序列图像，然后检测和解释图像序列中的交通标志。他们使用的是神经网络模型对图像进行处理。最终该系统安装在戴姆勒-奔驰 500 SEL 系列测试车VITA II上进行测试。但是由于实际场景存在光照反射的影响，检测准确率非常低。在奔驰研发中心研究的基础上，Luo et al做了许多研究，他们使用了两个不同的神经网络模型，通过纹理分割来检测交通标志。第一个是感知神经网络，输入网络节点有 32×32 个神经元，隐藏层有 30 个神经元，输出层有 10 个神经元。训练网络模型用于检测 9 种交通标志，且在特定的环境中进行测试，尽管他们的识别精度为99%，但是识别时间为 4s 每帧。很难达到实时性要求。为了改善识别速度，Blancard 等人采用可构建的神网络，通过颜色和形状来识别交通标志，他们将交通标志分成 3 类：警告类标志，禁止类标志以及八边形标志。检测方法是使用 Sobel 滤波器，找到图像中的边沿像素，然后得到轮廓信息，从轮廓中得到相关特性，比如周长、长度、重心等特征，最终将特征输入到网络中去训练。测试时，交通标志放置在车前一定的距离处进行测试，识别速度能够达到 1s 每帧。虽然识别速度有了很大的提高，但是仍然无法达到实时性，同时限于当时的计算水平，训练时间非常长。

2012年，Alex Krizhevsky及其同学Ilya Sutskever在多伦多大学Geoff Hinton的实验室设计了一个深层的卷积神经网络，夺得了2012年Net LSVRC的冠军，深度学习的方法再次火热，目标检测算法也进一步得到优化，从RCNN（Regional convolution neural network，简称RCNN）、Fast-RCNN 、Faster-RCNN，到端到端的目标检测YOLO（You Only Look Once，简称YOLO）出现，基于深度学习的交通标志识别算法又进入了高潮。

国内对交通标志识别研究起步较晚，且基本是在国外的基础上进行的研究，因此并没有形成自己的一套研究理论。尽管都是基于国外的理论进行的研究，但是，国内也取得了非常丰厚的研究成果。如北京交通大学、清华大学、吉林大学在交通标志识别的研究上一直处在前沿。 北京交通大学贾骥提出了基于SVDD（Support Vector Data Description，简称SVDD）模型的方法进行交通标志识别研究。其利用基于颜色阈值的方法对交通标志检测进行建模，将检测到有交通标志的区域进行阈值处理，然后分别利用形状矩以及SURF 特性得到待检测区域的图像特征，并将该区域与模板库进行匹配。从实验效果来看确实具有一定的鲁棒性。随后江山、李斌等人先后使用HOG SVM与DPM SVM的方法进行交通标志的研究。HOG特征对光照、变形具有一定的鲁棒性，DPM模型则针对HOG特征存在的缺点进行相关的改进，利用移动滑窗算法对图像进行遍历，得到许多感兴趣区域，然后利用HOG方法提取区域中的图像特征，得到区域特征向量，并利用SVM方法对模型进行训练，得到分类器，最终利用分类器对测试数据进行检测得到交通标志的最佳位置。

得益于2012年Alex Net的问世，吉林大学的邹冰利用颜色阈值分割的方法对采集的图像进行分析，得到候选的交通标志区域，然后利用神经网络的方法对候选区域进行分类，最终得出图像中的交通标志信息。大连理工大学何鹏程基于K-means的卷积神经网络模型对交通标志进行研究，使用K-means卷积神经网络提取特征，利用SVM对数据进行分类，该模型最终在德国交通标志数据集上进行验证，在精确度与时间复杂度上有了不小的提升。

清华大学交通标志识别研究团队，创建了一个中国交通标志数据集基准，该数据集10万多张图像，作为交通标志研究数据集。其中有3万多张图像有交通标志图像，这些图像囊括了有各种各样的环境信息，有不同光照，天气情况下的交通标志数据。同时，他们提供了一个高鲁棒性的从端到端的卷积神经网络模型用于交通标志检测。更无私的是他们将数据集与代码开源，这为研究交通标志识别的研究人员提供了巨大的资源。但是该数据集采用的是他们自定义的方法进行标注的，数据集使用困难。