交通標志識別系統(tǒng)研究綜述

馬健 張敏 張麗巖 段曉科

摘? 要：交通標志識別技術是智能交通和自動駕駛領域中的一項關鍵性技術，如何建立一個準確性高、實時性好以及安全性佳的交通標志識別系統(tǒng)是當下一大研究熱點。在簡要介紹該系統(tǒng)框架和比較已公開的交通標志數據集的基礎上，研究了交通標志識別系統(tǒng)的兩大核心部分——標志檢測和標志識別，并闡述了各自的原理機制，最后總結了實現交通標志檢測和識別所存在的難點問題并對深度學習法在該系統(tǒng)中的后續(xù)研究提出了幾點拙見。

關鍵詞：交通標志識別系統(tǒng);檢測;識別;深度學習

中圖分類號：U491.5??? 文獻標識碼：A

Abstract： The technology of traffic sign recognition is a key technology in the field of intelligent transportation and automatic driving. How to establish the system of traffic sign recognition with high accuracy， good real-time performance and good safety is the current research hotspot. On the basis of briefly introducing the system's framework and comparing the published traffic sign data sets， this paper studies two core parts of the traffic sign recognition system， namely， sign detection and recognition， and expounds their respective principles. Finally， it summarizes some difficult problems of traffic sign detection and recognition as well as puts forward some humble opinions to the follow-up research of the traffic sign recognition system based on deep learning.

Key words： the system of traffic sign recognition; detection; recognition; deep learning

0? 引? 言

社會經濟不斷發(fā)展的同時，作為國民經濟基礎之一的道路交通系統(tǒng)亦日益發(fā)達，隨之而來的是交通安全問題的日趨凸顯。2019年全國共發(fā)生交通事故20萬余次，分析事故原因主要包括有違規(guī)駕駛、雨雪霧等惡劣天氣、疲勞駕駛、接聽手機等，其中諸如不遵守交通標志指示的違規(guī)駕駛行為是導致交通事故的最主要原因。如何從客觀的角度為車輛設置有效的行車輔助系統(tǒng)以約束駕駛人主觀駕車行為，在這一問題背景下，交通標志識別（Traffic Sign Recognition，TSR）系統(tǒng)研究成為一大研究熱點，有效的TSR系統(tǒng)能夠及時地將真實、準確的實時交通信息反饋給駕駛人，提示駕車人采取相應措施或車輛自主控制達到避險目的，從而保障行車安全。

TSR系統(tǒng)是智能交通和自動駕駛研究領域中的一項關鍵性技術，其主要應用價值表現在以下幾個方面：

（1）作為智能交通系統(tǒng)的子系統(tǒng)，用于處理車載攝像與傳感器采集到的車輛周邊實時的圖像與視頻，并從中檢測交通標志，再進行識別，將識別信息反饋給司機，幫助其決策、輔助駕駛。

（2）作為自動駕駛控制系統(tǒng)中必要的組件，實時的交通標志識別可不間斷的為整車控制提供相應的幫助。例如：識別結果為禁止標志可提交系統(tǒng)并預判危險;警告標志可協(xié)助系統(tǒng)提前進行避障;指示標志可幫助系統(tǒng)進行控制預處理，提前進行路線規(guī)劃，確保車輛遵循交通指示。

（3）用于智能導航系統(tǒng)：將交通標志識別結果上傳至導航系統(tǒng)中，進行數據比較，結合地圖信息、車輛定位以及實時交通信息，以糾正導航路線偏差。

（4）用于交通標志的維護：受環(huán)境影響，交通標志常出現褪色、變形等問題，應用TSR技術，可監(jiān)控相應路段交通標志的可用性，減少人力與時間的投入。

人工智能時代帶來的技術紅利，加之5G技術的落地與普及，TSR系統(tǒng)的應用將不再是“紙上談兵”。本文就TSR系統(tǒng)進行研究，借鑒國內外學者研究成果，綜述了其兩大核心技術——標志檢測和識別，并就深度學習在該系統(tǒng)中的進一步應用提出了幾點建議。

1? 交通標志識別系統(tǒng)

交通標志識別系統(tǒng)如圖1所示，前端系統(tǒng)負責圖像與視頻數據獲取，接著由信號處理系統(tǒng)對獲取的數據進行預處理、檢測與識別，并輸出識別出的類別信息，最后由終端系統(tǒng)根據類別信息做出決策。

針對TSR系統(tǒng)的研究始于1970年，但因當時理論與技術不成熟而發(fā)展緩慢[1]。20世紀80年代至20世紀末，TSR系統(tǒng)逐漸得到日、美、德等發(fā)達國家的重視與研究[2]。日本于1987年公布了僅能識別出“限速”標志的TSR系統(tǒng)[3]。美國學者Kehtarnavaz等[4]在1993年研發(fā)出針對“停車”標志牌的識別系統(tǒng)。進入21世紀以來，得益于科技進步與計算機性能的大幅提升，TSR系統(tǒng)發(fā)展迅速，并逐步搭載到一些商用產品上。Mobileye與Continental兩大汽車行業(yè)巨頭通力合作，研發(fā)出一套針對“限速”標志的TSR系統(tǒng)，在傳統(tǒng)靜態(tài)標志與動態(tài)LED標志上均可達到高準確率與實時識別的效果，寶馬7系列汽車和奔馳S-Class汽車分別于2008年和2009年先后搭載此系統(tǒng)[5]，就此標志著TSR系統(tǒng)正式進入市場商用階段。此后，增加系統(tǒng)的識別類別成為各大汽車廠商的重點研究對象。2010年歐寶Insignia系列汽車采用了“限速+超車限制”的TSR系統(tǒng)，并于2011年搭載在大眾輝騰系列汽車中;2014年，繼2012年沃爾沃首次采用歐寶同款TSR系統(tǒng)后，XC90成為市場上首款標準配備TSR系統(tǒng)的車型，該系統(tǒng)可將實時的交通標志信息顯示在車輛駕駛位操控臺的顯示屏上，提高了系統(tǒng)可操控性與安全駕駛系數[6]。

雖然商業(yè)化的TSR系統(tǒng)取得了一定的應用成效，但其能成功識別的標志類型，仍十分有限，要想大范圍推入市場，仍需進行大量實證與擴展。TSR系統(tǒng)成功與否取決與兩類關鍵技術的研究。一是交通標志的檢測，即TSR要在復雜環(huán)境下，進行目標分割，準確將交通標志從背景圖像中分離出來。二是交通標志的識別，由于禁止、警告、指示等為交通標志的多種類別，識別問題實質上是一個多分類的問題。檢測與識別的算法框架如圖2所示，其基本原理是模仿人類視覺系統(tǒng)辨識物體的特性，利用交通標志鮮明的顏色信息和規(guī)則的形狀信息等進行特征檢測與識別分類。

2? 交通標志數據集

研發(fā)TSR系統(tǒng)的前提是要有龐大的且能泛化使用的標準交通標志數據集，利用數據集進行檢測和識別可衡量與驗證不同TSR系統(tǒng)算法的優(yōu)劣?，F公開的交通標志數據集主要有：

（1）德國交通標志數據集（German Traffic Sign Detection Benchmark， GTSDB;German Traffic Sign Recognition Benchmark， GTSRB）。

（2）比利時交通標志數據集（Belgium Traffic Sign Detection Benchmark， BTSD;Belgium Traffic Sign Classification， BTSC）。

（3）瑞典交通標志數據集（Swedish Traffic Sign Dataset， STSD）。

（4）美國交通標志數據集（LISA Traffic Sign Dataset， LTSD）。

（5）清華—騰訊交通標志數據集（Tsingtao-Tencent 100K Dataset， TT100K）。

這些數據集，主要分為3類：以GTSDB和BTSD為代表的，僅用于檢測的數據集;以GTSRB和BTSC為代表的，僅用于識別的數據集;以及以STSD為代表的用于檢測和識別的綜合數據集。表1描述了已公開的各類數據集的基本信息。

3? 交通標志檢測

交通標志檢測也叫交通標志分隔，是進行標志識別的前提。其原理是將交通標志的感興趣區(qū)域（Region of Interest，ROI）從復雜的環(huán)境背景圖像中快速分隔出來，再利用模式識別等方法對ROI進一步辨識，定位能準確反映交通標志信息的具體位置。通常交通標志有特定的顏色、形狀等特征來起到禁令、警告和指示的作用，因而標志檢測通常是根據顏色、形狀以及多特征融合的方法來進行的。

3.1? 基于顏色的交通標志檢測

顏色是交通標志最顯著的特征，根據特定的顏色可快速去除復雜場景下非ROI，縮小搜索區(qū)域，因而基于顏色的標志檢測法是主流方法。顏色檢測最常見的方法有RGB、、HSI、HSV等。

（1）RGB顏色空間模型

RGB即代表紅、綠、藍三個通道的顏色，人類視覺系統(tǒng)所能辨識的顏色幾乎均可由此三基色變換得到，是運用最廣的顏色系統(tǒng)之一[7]。

基于RGB顏色的標志檢測法始于20世紀80年代，Akatsuka等人[8]在RGB顏色空間上利用閾值分割算法，根據不同顏色的閾值范圍，將交通標志的紅、黃、藍等色彩標定出來，完成交通標志檢測。張卡等[9]對標志圖像的所有顏色信息進行統(tǒng)計，并根據統(tǒng)計信息設定紅、黃、藍的閾值，即利用全局顏色特征進行標志圖像檢測。黃志勇等[10]利用RGB對應的三分量差值范圍一定的特點，經反復實驗得到經驗閾值，再對標志進行檢測分割，此法不需任何乘法運算。

（2）HSI和HSV顏色空間模型

RGB閾值分割法雖然在檢測速度與簡易方面優(yōu)勢突出，但因閾值固定而無法匹配自然交通場景下不同光照的色彩，故而檢測效果大打折扣。HSI顏色空間模型的提出有效地區(qū)分了顏色信息與亮度信息。其中顏色的類別H、飽和度S以及亮度I之間的相關性不大，每一個彩色圖像都與一個H相對應。HSI可由RGB轉換，公式如下：

H=， S=1-， I=1-

張靜等[11]為將藍色指示標志從背景圖像中分割出來，將原圖RGB格式先轉換成HSI格式，并分別將此三分量的閾值限制在0，255間，依據大量實驗確定藍色的H分量范圍，實現了最大限度地背景去除與標志提取。

HSV與HSI類似，區(qū)別在兩者的數學模型，HSV顏色空間是圓錐，而HSI是雙錐體，且由RGB轉換成HSV的數學式更為復雜，但其更能表現出類人的直觀視覺感受。Ellahyani等人[12]利用HSV這一特性，完成了交通標志ROI的分割與定位。

3.2? 基于形狀的交通標志檢測

矩形、圓形和三角形是交通標志的主要形狀類別，形狀特征相對穩(wěn)定，不會出現像顏色那樣因光照不同而呈現出不同色域的問題，所以研究者利用標志形狀不易受光照影響的特點，通過搜索ROI以及形狀特點來檢測是否為交通標志。其主要的可分為以下幾類：

（1）霍夫（Hough）變換法：其原理是檢索形狀中的直線段特征，故多被用于檢測由直線構成的矩形、三角形交通標

志[13]，但檢測往往會被限制在一小塊區(qū)域且計算量較大。

（2）徑向對稱檢測法：為改進Hough變換法的缺點以及為解決由曲線構成的標志的檢測問題，Barnes等人[14]提出徑向對稱檢測法來檢測圓形標志。李厚杰等[15]在標志具有自身的尺度特征的基礎上，提出一種相較于直接徑向對稱檢測法有著較好的參數自適應特點的改進檢測算法，并在GTSDB數據集上進行了算法驗證，成功的檢測出圓形的禁令標志。

基于形狀的交通標志檢測雖在一定程度上避免了光照的影響，但因標志長期暴露在室外，會出現變形、移位、遮擋等不可避免的問題，檢測效果依然欠佳，存在漏檢問題。

3.3? 融合顏色與形狀的交通標志檢測

將顏色與形狀相結合，可以很好地解決基于顏色與基于形狀的兩種檢測法各自的缺陷，雙重保障帶來的是檢測精度的提高。張瑞等[16]提出一種基于HSI的標志分割法，并結合基于形狀特征的最優(yōu)拐角檢測器進行了標志檢測。張金鵬等[17]采用基于HSV的分割法，提取ROI，再利用Canny算子提取輪廓，最后采用標記的形狀特征算法，判定輪廓形狀，該檢測算法在亮度變換和尺度變換下表現出了較好的準確性與魯棒性。于平平等[18]針對預處理后的圖像，利用視覺注意機制原理提取顏色、亮度等特征，經線性組合劃分顯著圖，得到交通標志的ROI，在此粗檢的基礎上，再根據幾何形狀特征細檢ROI中的形狀，此法在Jetson TX2嵌入式平臺測試中表現出來較好的準確性和穩(wěn)定性。

4? 交通標志識別

經檢測后，將分割定位出的交通標志的關鍵ROI，采用一定的算法對其進行識別。標志識別是TSR系統(tǒng)中最為重要的部分，由于標志有多個類別，其識別實質是多分類，分類器的訓練至關重要。目前交通標志識別的主流方法有模板匹配法、機器學習法和深度學習法。

4.1? 模板匹配法

模板匹配是通過平移搜索并計算兩者間的相似程度，將待識別圖像與模板圖像進行匹配的過程[19]，其被廣泛應用于計算機視覺領域。但模板匹配只能進行平移的搜索，若原圖像旋轉或改變了大小，則該法無法進行匹配識別。

Qian R等[20]將結合模板匹配法與多級鏈碼直方圖對交通標志進行了識別。郝芳芳等[21]針對限速標志中分割后的字符，采取了模板字符匹配法，經相似度比較后輸出識別結果。但模板匹配這種通過遍歷待分類圖像與模板庫進行匹配的方法，運算量較大，識別速度緩慢，在復雜場景下匹配困難。

4.2? 特征提取+機器學習法

采取“特征提取+機器學習”的方法進行交通標志的識別，可兼顧計算量與魯棒性。其原理是：首先需要將圖像中ROI的特征提取出來，再將這些特征進行訓練，最后利用機器學習到的分類器，與待識別圖像進行匹配，實現識別。

其中，特征提取的方法有：方向梯度直方圖（Histogram of Oriented Gradient，HOG）特征、快速特征點提取和描述（Oriented Fast and Rotated BRIEF，ORB）、Gabor 小波特征、主成分分析（Principal Component Analysis，PCA）等。常用的機器學習分類器有：支持向量機（Support Vector Machine，SVM）、極限學習機（Extreme Learning Machine，ELM）、隨機森林（Random Forest，RF）、Softmax分類器、AdBoost分類器、線性判別分析（Linear Discriminant Analysis，LDA）、最近鄰算法（K-Nearest Neighbor，KNN）等。表2描述了基于部分“特征提取+機器學習”組合的交通標志識別在GTSRB數據集上的識別結果比較。

由表2分析，不難發(fā)現：在交通標志識別方面，“多特征融合+多機器學習（分類器）融合”的方法比“單特征+單分類器”方法的識別效果要好。但特征提取多為人工手動設計，耗時耗力，且魯棒性很難保證。隨著數據集容量的擴大，人工提取的特征難以泛化使用，其判別性不佳。

4.3? 深度學習法

深度學習是機器學習的深度延伸，其原理在于模擬人類大腦并建立類人的神經網絡進行學習與分析，進而模擬人腦的思維、視覺、聽覺等機制來解釋圖像、文本、聲音等數據。近年來，深度學習法在交通標志識別領域中的應用發(fā)展迅速。與傳統(tǒng)的機器學習法相比，基于深度學習的交通標志識別無需人工設計和提取標志圖像特征，而是由類人神經網絡在訓練時通過自主學習與修正完成特征提取與識別。

卷積神經網絡（Convolutional Neural Networks，CNN）是深度學習在計算機視覺中應用最廣的網絡模型之一，其核心網絡模型構建思路為：在CNN中利用卷積核提取特征后，經卷積（Convolution，C）、批標準化（Batch Normalization，BN）、激活（Activation，A）、池化（Pooling，P）以及舍棄（Dropout，D）后，送入全連接網絡（Full-Connection，F）進行識別。簡言之，CNN就是輸入特征的特征提取器，即CBAPD。經不斷深入研究與優(yōu)化，出現了5種經典CNN網絡結構，分別是：LeNet、AlexNet、VGGNet、InceptionNet以及ResNet，表3對這五種網絡經典結構進行了總結與比較?？梢姡S著網絡復雜程度的提高，以及BN、Relu、Dropout的引入，利用各經典網絡訓練ImageNet Top5的錯誤率基本上是逐步降低的。

由表4分析可知，與傳統(tǒng)的“人工特征提取+機器學習分類器”方法相比，基于深度學習的交通標志識別在識別率上有所提升。因此深度學習法在交通標志識別領域有著明顯的優(yōu)勢，該算法有助于解決光照變化、變形、遮擋等問題。

5? 總結與展望

本文對TSR系統(tǒng)及其兩大核心部分——標志檢測和標志識別進行了分析，并采用理論分析與文獻比較的方法對部分檢測和識別方法進行了綜述與比較。

TSR系統(tǒng)的發(fā)展與應用是智能交通的核心課題之一，雖近年得益于人工智能技術的進步而得到快速發(fā)展，但其仍存在各種難點問題，如：長期暴露室外易造成標志顏色失真和形狀變形、標志種類繁多增加了識別難度、TSR系統(tǒng)搭載到汽車上的安全性、準確性、實時性、經濟性等無法完全兼顧以及能供訓練模型且能泛化使用的數據集不足，尤其是我國公開的交通標志數據集樣本匱乏。如何解決這些難點，需要更進一步的深入研究。

隨著AI智能技術的進步，深度學習在TSR系統(tǒng)研究方面有著領先的算法優(yōu)勢。深度學習通過自主學習訓練交通標志特征并自發(fā)學習分類，在復雜交通場景下仍能達到較高的識別準確率。針對基于深度學習的交通標志識別的研究還需不斷探索，對于未來的研究方向，有以下幾個方面可進一步研究：

（1）對已有的基于深度學習的各模型與各優(yōu)化算法進行優(yōu)化研究，并探尋兩者之間更好的融合方式，以達到更高的準確率;

（2）目前的算法研究只存在于實驗室仿真驗證階段，后續(xù)研究需要在改進中謀求適合實際應用場景的模型，以更好的實用性能搭載于某些嵌入式平臺上，如輔助駕駛系統(tǒng)、智能導航等;

（3）深度學習的算法模型內存往往較大，這對計算機的硬件性能提出了很高的要求，需要在提高檢測和識別精度的同時降低模型內存，并提升計算機硬件性能;

（4）梯度的有效傳播，一直是CNN的研究重點之一。隨著網絡層次的加深，若無有效的改善算法，往往會在模型訓練時，出現梯度爆炸甚至消失的問題，如何設計一個最有效的梯度下降的優(yōu)化器是一個重要研究方向。

參考文獻：

[1] 薛搏，李威，宋海玉，等. 交通標志識別特征提取研究綜述[J]. 圖學學報，2019，40（6）：1024-1031.

[2]? Fu M Y， Huang Y S. A survey of traffic sign recognition[C] // 2010 International Conference on Wavelet Analysis and Pattern Recognition， 2010，119-124.

[3]? Yuan Y， Xiong Z T， Wang Q. An incremental framework for video-based traffic sign detection， tracking， and recognition[J]. IEEE Transactions on Intelligent Transportation Systems， 2017，18（7）：1918-1929.

[4]? A de la Escalera， J M a Armingol， M Mata. Traffic sign recognition and analysis for intelligent vehicles[J]. Image and Vision Computing， 2003，21（3）：247-258.

[5] 王剛毅. 交通標志檢測與分類算法研究[D]. 哈爾濱：哈爾濱工業(yè)大學（博士學位論文），2013.

[6] 王斌. 自然環(huán)境下道路交通標志的檢測與識別[D]. 濟南：山東大學（碩士學位論文），2017.

[7] 羅浩. RGB-D視覺內容理解及其應用[D]. 北京：華北電力大學（碩士學位論文），2015.

[8] Akatsuka H， Imai S. Road Signposts Recognition System[J]. SAE Transactions， 1987，96（1）：936-943.

[9] 張卡，盛業(yè)華，葉春. 針對車載移動測量系統(tǒng)的交通標志自動檢測[J]. 武漢大學學報（信息科學版），2009，34（12）：1448-1453.

[10] 黃志勇，孫光民，李芳. 基于RGB視覺模型的交通標志分割[J]. 微電子學與計算機，2004（10）：147-148，152.

[11] 張靜，何明一，戴玉超，等. 綜合顏色和形狀的圓形交通標志檢測方法[J]. 計算機工程與應用，2011，47（2）：233-236，241.

[12]? Ellahyani A， Mohamed E L， Ilyas E L， et al. Traffic Sign Detection and Recognition using Features Combination and Random Forests[J]. International Journal of Advanced Computer Science and Applications， 2016，7（1）：112-128.

[13] 韋炳田. 行車視頻中交通標志識別技術研究及其安卓應用開發(fā)[D]. 廣州：華南理工大學（碩士學位論文），2018.

[14]? Barnes N， Zelinsky A， Fletcher L S. Real-Time Speed Sign Detection Using the Radial Symmetry Detector[J]. IEEE Transactions on Intelligent Transportation Systems， 2008，9（2）：322-332.

[15] 李厚杰，邱天爽，宋海玉，等. 基于徑向對稱變換的自適應交通禁止標志檢測[J]. 光電子·激光，2014，25（3）：532-539.

[16] 張瑞，張朋. 基于顏色和形狀的交通標志檢測與分類[J]. 微計算機信息，2010，26（35）：226-228.

[17] 張金朋，方千山. 融合顏色分割與形狀特征的交通標志檢測[J]. 微型機與應用，2015，34（11）：83-85，88.

[18] 于平平，齊林，馬苗立，等. 基于視覺注意機制和形狀特征的交通標志檢測方法[J]. 數學的實踐與認識，2019，49（21）：123-131.

[19] 周麗莎. 基于模板匹配的視覺定位技術研究與應用[D]. 大連：大連理工大學（碩士學位論文），2012.

[20]? Qian R， Zhang B， Yue Y， et al. Traffic Sign Detetion by Template Matching based on Multi-Level Chain Code Hstogram[C] // 12th International Conference on Fuzzy Systems and Knowlege Discovery （FSKD）， 2015.

[21] 郝芳芳，王震洲. 模板匹配下的限速交通標志識別算法研究[J]. 科技風，2018（21）：245-246.

[22] 胡月志，李娜，胡釗政，等. 基于ORB全局特征與最近鄰的交通標志快速識別算法[J]. 交通信息與安全，2016，34（1）：23-29.

[23]? J Stallkamp， M Schlipsing， J Salmen， et al. Man vs. computer： Benchmarking machine learning algorithms for traffic sign recognition[J]. Neural Networks， 2012，32：323-332.

[24]? Boi F， Gagliardini L. A Support Vector Machines network or traffic sign recognition[C] // Proceedings of the International Joint Conference on Neural Networks， 2011：2210-2216.

[25]? Zaklouta F， Stanciulescu B， Hamdoun O. Traffic sign classification using K-d trees and Random Forests[C] // Proceedings of the International Joint Conference on Neural Networks， 2011：2151-2155.

[26]? Pei D， Sun F， Liu H. Supervised Low-Rank Matrix Recovery for Traffic Sign Recognition in Image Sequences[J]. IEEE Signal Processing Letters， 2013，20（3）：241-244.

[27] 梁敏健，崔嘯宇，宋青松，等. 基于HOG-Gabor特征融合與Softmax分類器的交通標志識別方法[J]. 交通運輸工程學報，2017，17（3）：151-158.

[28] 徐巖，韋鎮(zhèn)余. 一種改進的交通標志圖像識別算法[J]. 激光與光電子學進展，2017，54（2）：124-131.

[29] 徐巖，王權威，韋鎮(zhèn)余. 一種融合加權ELM和AdaBoost的交通標志識別算法[J]. 小型微型計算機系統(tǒng)，2017，38（9）：2028-2032.

[30] 馬永杰，程時升，馬蕓婷，等. 多尺度特征融合與極限學習機結合的交通標志識別[J]. 液晶與顯示，2020，35（6）：572-582.

[31] 馬永杰，李雪燕，宋曉鳳. 基于改進深度卷積神經網絡的交通標志識別[J]. 激光與光電子學進展，2018，55（12）：250-257.

[32] 伍錫如，雪剛剛. 基于圖像聚類的交通標志CNN快速識別算法[J]. 智能系統(tǒng)學報，2019，14（4）：670-678.

[33] 宋青松，張超，田正鑫，等. 基于多尺度卷積神經網絡的交通標志識別[J]. 湖南大學學報（自然科學版），2018，45（8）：131-137.

[34] 胡凱. 機器人視覺導航中的圖像處理問題研究[D]. 南京：東南大學（碩士學位論文），2015.

[35]? D Ciresan， U Meier， J Masci et al. A committee of neural networks for traffic sign classification[C] // The 2011 International Joint Conference on Neural Networks， 2011：1918-1921.

[36]? Dan Ciresan， Ueli Meier， Jonathan Masci， et al. Multi-column deep neural network for traffic sign classification[J]. Neural Networks， 2012，32：333-338.