Number: 60
Name: 基于模糊积分的交通标志检测与识别图像处理
Publication category: IEEE
Publication Name: 信号和图像处理国际会议（IWSSIP）
Issuing Time: 2016
Contribution: 提出了一种基于模糊积分的非接触式图像处理算法来检测和识别交通标志检测。一些图像处理技术用于检测交通标志，而模糊积分用于识别交通标志。
Difficulty: 在交通标志识别系统中使用模糊积分作为输入参数的算法的积极方面。
Result: 方法提供了较高的总体DR（96.7％），具有合理的FAR（3.02％）。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Conference%20abstracts_English/%E4%BC%9A%E8%AE%AE_2016_%E5%9F%BA%E4%BA%8E%E6%A8%A1%E7%B3%8A%E7%A7%AF%E5%88%86%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E4%B8%8E%E8%AF%86%E5%88%AB%E5%9B%BE%E5%83%8F%E5%A4%84%E7%90%86.pdf
Number: 59
Name: 使用统计学习方法进行交通标志分割和分类
Publication category: ScienceDirect
Publication Name: 神经计算
Issuing Time: 2015
Contribution: 提出了一种完整的彩色和消色差交通标志检测和形状分类程序；后处理阶段用于分离共同定位的标记的算法提供了优异的结果；通过傅立叶描述符号形状，以及它们与基于SVM的分类算法。
Difficulty: 使用傅立叶描述符进行符号形状分类。
Result: 方法提供了较高的总体DR（96.7％），具有合理的FAR（3.02％）。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_English/%E8%AE%BA%E6%96%87_2015_%E4%BD%BF%E7%94%A8%E7%BB%9F%E8%AE%A1%E5%AD%A6%E4%B9%A0%E6%96%B9%E6%B3%95%E8%BF%9B%E8%A1%8C%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E5%88%86%E5%89%B2%E5%92%8C%E5%88%86%E7%B1%BB.pdf
Number: 58
Name: 基于图的排序和分割算法检测交通标志
Publication category: IEEE
Publication Name: 系统，人和控制论学会
Issuing Time: 2015
Contribution: 提出了一种新的基于图形的交通标志检测方法；提供了一种新颖的框架，它结合了节点的颜色，显着性，空间和上下文关系的信息。
Difficulty: 显着性测量阶段，基于图形的排序阶段和多阈值分割阶段。
Result: 拟议的交通标志检测方法达到了更高的水平的使用颜色信息、形状信息、局部稳定性的传统系统的测量率。与西班牙交通标志集上的RGBNT和HST相比，所提出的方法可以分别获得5.93％和21.01％的改善，比GTSDB数据集上的RGBNT和HST提高26.07％和34.16％，以及9.76％比瑞典交通标志数据集上的RGBNT和HST提高了15.11％。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_English/%E8%AE%BA%E6%96%87_2015_%E5%9F%BA%E4%BA%8E%E5%9B%BE%E7%9A%84%E6%8E%92%E5%BA%8F%E5%92%8C%E5%88%86%E5%89%B2%E7%AE%97%E6%B3%95%E6%A3%80%E6%B5%8B%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97.pdf
Number: 57
Name: 基于深度卷积神经网络的鲁棒中文交通标志检测与识别
Publication category: IEEE
Publication Name: 自然计算国际会议（ICNC）
Issuing Time: 2015
Contribution: 提出了一种应用深度卷积神经网络（CNN）的交通标志检测识别系统。提出了一种基于CNN的多任务道路交通信息获取方法。与通常仅限于预定义的一组交通标志的其他公布方法相比，提出的系统更全面，包括交通标志，数字，英文字母和汉字。
Difficulty: 通过使用颜色空间阈值处理来提出一组候选区域；多任务CNN用于确定相似性并拒绝检测任务中的错误样本，通过分类任务获得真实样本的详细类别。
Result: 实现了GTSRB的95％检测精度的竞争性能。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Conference%20abstracts_English/%E4%BC%9A%E8%AE%AE_2016_%E5%9F%BA%E4%BA%8E%E6%B7%B1%E5%BA%A6%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E9%B2%81%E6%A3%92%E4%B8%AD%E6%96%87%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E4%B8%8E%E8%AF%86%E5%88%AB.pdf
Number: 56
Name: 一种新的交通标志检测显着性计算模型
Publication category: IEEE
Publication Name: 视觉与计算国际会议（ICIVC）
Issuing Time: 2017
Contribution: 提出了一种基于显着性交通标志检测的新方法。
Difficulty: 提取边缘和颜色信息作为早期视觉特征，计算和归一化每个特征以获得特征地图，显着性地图和显着性地图；利用自组织映射神经网络和k均值算法确定包含交通标志的候选区域。
Result: 将本文方法与Itti的VAM模型和FT模型进行比较。改进算法克服了VAM模型和FT模型的几个缺点；SOM神经网络用于与k-means组合。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Conference%20abstracts_English/%E4%BC%9A%E8%AE%AE_2017_%E4%B8%80%E7%A7%8D%E6%96%B0%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E6%98%BE%E7%9D%80%E6%80%A7%E8%AE%A1%E7%AE%97%E6%A8%A1%E5%9E%8B.pdf
Number: 55
Name: 使用颜色和纹理特征提取和SVM分类器的印度尼西亚交通标志检测和识别
Publication category: IEEE
Publication Name: 信息通信技术国际会议（ICOIACT）
Issuing Time: 2018
Contribution: 展示了一个有效的交通标志检测系统，具有强大的特征提取和表示，是HOG + Gabor + LBP的组合。
Difficulty: 交通标志检测先根据RGBN（标准化RGB）对图像进行分割，然后通过处理前一过程提取的斑点来检测交通标志。
Result: RGBN（标准化RGB）方法在检测交通标志时的精确度和召回率分别为98.7％和95.1％，精确度为100％，识别过程中召回率为86.7％。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Conference%20abstracts_English/%E4%BC%9A%E8%AE%AE_2018_%E4%BD%BF%E7%94%A8%E9%A2%9C%E8%89%B2%E5%92%8C%E7%BA%B9%E7%90%86%E7%89%B9%E5%BE%81%E6%8F%90%E5%8F%96%E5%92%8CSVM%E5%88%86%E7%B1%BB%E5%99%A8%E7%9A%84%E5%8D%B0%E5%BA%A6%E5%B0%BC%E8%A5%BF%E4%BA%9A%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E5%92%8C%E8%AF%86%E5%88%AB.pdf
Number: 54
Name: 基于显着的颜色提取和几何特征改进交通标志检测
Publication category: IEEE
Publication Name: 图像与信号处理大会（CISP）
Issuing Time: 2015
Contribution: 提出了一种基于显着颜色提取和几何特征的交通标志检测的改进方法。
Difficulty: 使用中值滤波器消除噪声；计算RGB颜色空间中R，G和B的二次加权差异以提取交通标志的重要颜色；应用形态学处理来获得连通区域；我们根据几何特征对连通区域进行滤波以准确定位交通标志。
Result: 对200个交通标志图像的实验表明，该算法的校正检测率为95.4％，漏检率为4.6％，误检率为1.25％，平均经过时间是1.55秒。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Conference%20abstracts_English/%E4%BC%9A%E8%AE%AE_2015_%E5%9F%BA%E4%BA%8E%E6%98%BE%E7%9D%80%E7%9A%84%E9%A2%9C%E8%89%B2%E6%8F%90%E5%8F%96%E5%92%8C%E5%87%A0%E4%BD%95%E7%89%B9%E5%BE%81%E6%94%B9%E8%BF%9B%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B.pdf
Number: 53
Name: 基于高斯颜色模型和模板匹配的限速标志检测
Publication category: IEEE
Publication Name: 图像和信号处理国际会议（ICVISP）
Issuing Time: 2017
Contribution: 检测YCbCr色彩空间中的道路标志，使用高斯色彩模型对像素强度值进行建模，应用颜色分割或颜色阈值以强调图像中的可能符号；在分割图像上利用形态学处理来提取候选交通标志；将直方图梯度特征应用于这些交通标志分割图像的特征提取，利用支持向量机进行自动识别。
Difficulty: 在YCbCr颜色空间计算使用高斯颜色模型的交通场景图像的颜色分割，获得Cand交通标志区域；在分割图像上利用形态学处理，以根据其形状属性提取原始图像中具有矩形区域的候选交通标志；模板匹配应用于速度标志分类。
Result: 下表显示了瑞典数据库中交通标志的检测和分割率。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Conference%20abstracts_English/%E4%BC%9A%E8%AE%AE_2017_%E5%9F%BA%E4%BA%8E%E9%AB%98%E6%96%AF%E9%A2%9C%E8%89%B2%E6%A8%A1%E5%9E%8B%E5%92%8C%E6%A8%A1%E6%9D%BF%E5%8C%B9%E9%85%8D%E7%9A%84%E9%99%90%E9%80%9F%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B.pdf
Thumbnail:
Number: 52
Name: 用于遮挡处理的高效粗略到整体的交通标志检测
Publication category: IEEE
Publication Name: IET图像处理
Issuing Time: 2017
Contribution: 提出了一种新的基于判别性补丁（d-patches）的有效方法，用于整体交通标志检测和遮挡处理。
Difficulty: 提出了一种基本上通过整合词汇学习功能来升级d-patches的方法；提出了一种新的粗略到精细（CTF）方法来加速交通标志检测过程。
Result: 所提方法在德国交通标志检测基准上实现了100％的检测结果，并且在部分遮挡设置下比韩国交通标志检测数据集上的先前最先进方法执行了2.2％。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_English/%E8%AE%BA%E6%96%87_2017_%E7%94%A8%E4%BA%8E%E9%81%AE%E6%8C%A1%E5%A4%84%E7%90%86%E7%9A%84%E9%AB%98%E6%95%88%E7%B2%97%E7%95%A5%E5%88%B0%E6%95%B4%E4%BD%93%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B.pdf
Number: 51
Name: 通过转移学习进行交通标志检测和识别
Publication category: IEEE
Publication Name: 中国控制与决策会议（CCDC）
Issuing Time: 2018
Contribution: 介绍了一种基于卷积神经网络（CNN）的转移学习方法。
Difficulty: 使用大数据集训练深度卷积神经网络，然后通过少量交通标准训练样本获得有效区域卷积神经网络（RCNN）检测。
Result: 共100个标志牌，检测到95个，未检测到5个，错检1个；召回率95%，准确率99%。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Conference%20abstracts_English/%E4%BC%9A%E8%AE%AE_2018_%E9%80%9A%E8%BF%87%E8%BD%AC%E7%A7%BB%E5%AD%A6%E4%B9%A0%E8%BF%9B%E8%A1%8C%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E5%92%8C%E8%AF%86%E5%88%AB.pdf
Number: 50
Name: 基于多帧视频图像的交通标志实时检测
Publication category: 中文核心
Publication Name: 计算机科学与应用
Issuing Time: 2017
Contribution: 本文提出了一种基于多帧视频图像空间时序关系模型的城市道路交通标志检测算法。改进基于颜色的图像快速分割算法，分割压缩交通标志检测信息；依据交通标志在多帧图像序列中的连续变化关系构建空间时序关系模型(Temporal Spatial Model, STM)，筛选交通标志检测候选区域。
Difficulty: 基于颜色的图像快速分割压缩算法；建立多帧视频图像空间时序关系模型(STM）。
Result: 算法应用 STM 后交通标志检测准确率提高近10%，误检率减少近7%；算法平均每幅图像检测处理的时间约为25ms，即每秒可处理40帧，满足实时性处理要求。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/2017%20%E5%9F%BA%E4%BA%8E%E5%A4%9A%E5%B8%A7%E8%A7%86%E9%A2%91%E5%9B%BE%E5%83%8F%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E5%AE%9E%E6%97%B6%E6%A3%80%E6%B5%8B.pdf
Number: 49
Name: 基于深度学习的交通标志检测与识别研究与应用
Publication category: IEEE
Publication Name: 机器人与智能系统国际会议（ICRIS）
Issuing Time: 2017
Contribution: 在完全卷积网络的指导下，提出了一种基于SSD算法的交通标志检测与识别新框架。
Difficulty: 将SSD扩展到新的应用程序交通标志检测和识别问题具有挑战性。
Result: 迭代20000次后，准确率可达到约96％;大大减少负样本的训练,提高Softmax分类器的准确性。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Conference%20abstracts_English/%E4%BC%9A%E8%AE%AEICRIS_2018_%E5%9F%BA%E4%BA%8E%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E4%B8%8E%E8%AF%86%E5%88%AB%E7%A0%94%E7%A9%B6%E4%B8%8E%E5%BA%94%E7%94%A8.pdf
Number: 48
Name: 野外交通标志检测与分类
Publication category: IEEE
Publication Name: 计算机视觉和模式识别会议（CVPR）
Issuing Time: 2016
Contribution: 创建了一个新的，更现实的交通标志基准,称为清华 - 腾讯100K,与广泛使用的GTSDB相比，我们的基准测试包含的图像数量是图像分辨率的32倍。；训练了两个CNN来检测交通标志，同时检测和分类交通标志。
Difficulty: 基准测试中的每个交通标志都使用类标签，边界框和像素掩码进行注释。
Result: 本文方法的召回率为0.91，准确率为0.88；而Faster R-CNN的召回率为0.56，精度为0.50。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Conference%20abstracts_English/%E4%BC%9A%E8%AE%AECVPR_2016_%E9%87%8E%E5%A4%96%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E4%B8%8E%E5%88%86%E7%B1%BB.pdf
Number: 47
Name: 用于小目标检测的感知生成对抗网络
Publication category: IEEE
Publication Name: 计算机视觉和模式识别会议（CVPR）
Issuing Time: 2017
Contribution: 提出了一种新的感知生成对抗网络（Perceptual GAN）模型解决小目标检测的挑战性问题。第一个成功应用GAN相似模型来解决具有挑战性的小规模物体检测问题;引入新的条件生成器模型，学习大小对象之间的加法残差表示，而不是像以前生成完整的表示；引入新的感知鉴别器，提供更有利于检测的全面监督。
Difficulty: 开发单一的体系结构解决小对象检测问题，该体系结构内部将小对象的表示提升为超分辨率的对象，实现与大对象类似的特性从而区分检测。
Result: 本文方法检测船，瓶，椅和植物的平均精度（AP）分别为69.4％，60.2％，57.9％和41.8％，明显优于Faster R-CNN的59.4％，38.3％，42.8％和31.8％。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Conference%20abstracts_English/%E4%BC%9A%E8%AE%AE_2017_%E7%94%A8%E4%BA%8E%E5%B0%8F%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B%E7%9A%84%E6%84%9F%E7%9F%A5%E7%94%9F%E6%88%90%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9C.pdf
Number: 46
Name: 基于RGB到红色转换的交通标志的检测和识别
Publication category: IEEE
Publication Name: 计算方法与通信国际会议（ICCMC）
Issuing Time: 2017
Contribution: 提出了基于RGB到Red转换和单层感知器神经网络的印度交通标志检测与识别系统。
Difficulty: 用单层感知器网络进行识别；Perceptron是用于学习二元分类器的算法。
Result: 测试图像以0.143秒识别，检测精度为93.25％。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Conference%20abstracts_English/%E4%BC%9A%E8%AE%AE_2017_%E5%9F%BA%E4%BA%8ERGB%E5%88%B0%E7%BA%A2%E8%89%B2%E8%BD%AC%E6%8D%A2%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E7%9A%84%E6%A3%80%E6%B5%8B%E5%92%8C%E8%AF%86%E5%88%AB.pdf
Number: 45
Name: 利用通用检测框架快速检测交通场景中的多个对象
Publication category: IEEE
Publication Name: 智能交通系统
Issuing Time: 2016
Contribution: 提出了一种基于学习的单一检测框架来检测所有三种重要类型的对象：交通标志、汽车、骑自行车者。
Difficulty: 为了增强噪声和图像变形的特征稳健性，引入空间池特征作为聚合信道特征的一部分；为了进一步提高泛化性能，提出一种对象次范畴化方法捕获对象的类内变异。
Result: 如下图所示。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_English/%E8%AE%BA%E6%96%87_2016_%E5%88%A9%E7%94%A8%E9%80%9A%E7%94%A8%E6%A3%80%E6%B5%8B%E6%A1%86%E6%9E%B6%E5%BF%AB%E9%80%9F%E6%A3%80%E6%B5%8B%E4%BA%A4%E9%80%9A%E5%9C%BA%E6%99%AF%E4%B8%AD%E7%9A%84%E5%A4%9A%E4%B8%AA%E5%AF%B9%E8%B1%A1.pdf
Number: 44
Name: 实时交通标志检测与分类
Publication category: IEEE
Publication Name: TITS
Issuing Time: 2015_10_12
Contribution: 提出了一种极快的检测模块，比现有的最佳检测模块快20倍。提出了一种颜色概率模型来处理交通标志的颜色信息，以增强交通标志的特定颜色（如红色，蓝色和黄色），抑制背景颜色，减少算法的搜索空间,缩短检测时间；提取交通标志提案而不是滑动窗口检测，结合SVM和CNN检测和分类交通标志；构建了一个中国交通标志数据集（CTSD）.
Difficulty: 检测模块利用颜色概率模型和MSER区域检测器提取交通标志提案，使用SVM分类器过滤误报并基于新颖的颜色HOG特征将剩余的提议分类。
Result: 准确性略差，但速度快了20倍。每个图像的平均时间仅为0.162秒，而其他方法通常需要几秒钟。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_English/%E8%AE%BA%E6%96%87_2016_%E5%AE%9E%E6%97%B6%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E4%B8%8E%E5%88%86%E7%B1%BB.pdf
Thumbnail:
Number: 43
Name: 基于颜色特征和神经网络的交通标志检测与分类
Publication category: IEEE
Publication Name: ICICPI
Issuing Time: 2017_2_23
Contribution: 提出了一个框架，可以从图像中检测和分类不同类型的交通标志。
Difficulty: 将RGB转换为HSV，颜色阈值技术用于检测交通标志，图像转为仅由黑色和白色组成的二进制图像，再根据每个像素的8连通性标记。
Result: 检出率在90％以上，识别准确率在88％以上。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Conference%20abstracts_English/%E4%BC%9A%E8%AE%AE_2016_%E5%9F%BA%E4%BA%8E%E9%A2%9C%E8%89%B2%E7%89%B9%E5%BE%81%E5%92%8C%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E4%B8%8E%E5%88%86%E7%B1%BB.pdf
Thumbnail:
Number: 42
Name: 一种基于颜色分割和鲁棒形状匹配的交通标志检测方法
Publication category: Elsevier BV
Publication Name: Neurocomputing
Issuing Time: 2015_12_2
Contribution: 提出了一种基于颜色不变量和改进的PHOG来检测交通标志的新方法。
Difficulty: 通过聚类颜色不变量特征将图像分割成不同的区域以获得感兴趣的候选区域，采用PHOG特征来表示ROI的形状特征。
Result: 所提出的基于颜色不变的聚类在交通标志分割中比HSI分割有效，对诸如阴影，遮挡，天气，复杂背景等各种因素非常稳健。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_English/%E4%B8%80%E7%A7%8D%E5%9F%BA%E4%BA%8E%E9%A2%9C%E8%89%B2%E5%88%86%E5%89%B2%E5%92%8C%E9%B2%81%E6%A3%92%E5%BD%A2%E7%8A%B6%E5%8C%B9%E9%85%8D%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E6%96%B9%E6%B3%95.pdf
Thumbnail:
Number: 41
Name: 一种基于深度卷积神经网络的交通标志检测算法
Publication category: IEEE
Publication Name: ICSIP
Issuing Time: 2017_3_30
Contribution: 提出了一种基于DCNN的中国交通标志检测算法。该方法可以检测中国所有7大类交通标志，实时性和精度都高。
Difficulty: 交通标志图像的多样化背景；中国的交通标志文字较多，更复杂。
Result: 该方法具有实时检测速度和99％以上的检测精度，视频序列的检测时间是实时的。
Linkhttps://github.com/ZGX010/Signage-object-detection/blob/master/articles/Conference%20abstracts_English/%E4%BC%9A%E8%AE%AE_2016_%E4%B8%80%E7%A7%8D%E5%9F%BA%E4%BA%8E%E6%B7%B1%E5%BA%A6%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E7%AE%97%E6%B3%95.pdf
Number: 40
Name: 基于语义分割的交通标志检测与深度学习技术识别
Publication category: IEEE
Publication Name: ICCP
Issuing Time: 2018_11_7
Contribution: 提出了改进的完全卷积网络（FCN）的语义分割模型FCN8以提取交通标志的ROI.通过用扩张卷积（速率4）替换最后的卷积层而不是传统的卷积（速率1）来改进FCN8。最终精度增加了0.7％，提高了不太明确的对象类别（例如交通标志和信号量）的分割质量。
Shortcoming: 非常靠近（在杆子上）的交通标志很可能被视为一个整体；分段模块检测了多个未包含在GTSRB数据集中的交通标志。
Difficulty: 训练CNN进行交通标志检测。修改了完全卷积网络（FCN）架构，并从生成的语义映射中提取交通标志区域。
Result:
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Conference%20abstracts_English/%E4%BC%9A%E8%AE%AE_2018_%E5%9F%BA%E4%BA%8E%E8%AF%AD%E4%B9%89%E5%88%86%E5%89%B2%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E4%B8%8E%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E6%8A%80%E6%9C%AF%E8%AF%86%E5%88%AB.pdf
Thumbnail:
Number: 39
Name: 使用卷积神经网络检测和分类交通标志的实用方法
Publication category: ScienceDirect
Publication Name: Robotics and Autonomous Systems
Issuing Time: 2016_7_19
Contribution: 提出一种轻量级和精确的ConvNet检测交通标志，进一步优化ConvNet使交通标志分类更快、更准确。
Difficulty: 如何在ConvNet中实现实时滑动窗口检测器。检测模块消耗更多时间，尤其是当其应用于高分辨率图像时。
Result: ConvNet检测交通标志的平均精度等于99.89%。滑动窗口可以实现每秒处理37.72个高分辨率图像并定位交通标志。ConvNet能够分类99.55%测试样本，稳定性分析表明ConvNet能够容忍高斯噪声σ<10。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_English/%E8%AE%BA%E6%96%87_2016_%E4%BD%BF%E7%94%A8%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E6%A3%80%E6%B5%8B%E5%92%8C%E5%88%86%E7%B1%BB%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E7%9A%84%E5%AE%9E%E7%94%A8%E6%96%B9%E6%B3%95.pdf
Number: 38
Name: 论圆形交通标志的检测与识别
Publication category: ScienceDirect
Publication Name: Expert Systems With Applications
Issuing Time: 2016_4_15
Contribution: 提出一种无参数的圆检测算法EDCircles，即算法在运行测试图像之前不需要训练任何图像来调整任何参数。
Difficulty: EDCircles适用于灰度图像，可以利用颜色信息来提高性能。
Result: 使用提出的RGB阈值技术，即RGB + EDCircles + RGBNDiff，可以获得最佳结果。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_English/%E8%AE%BA%E6%96%87_2016_%E8%AE%BA%E5%9C%86%E5%BD%A2%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E7%9A%84%E6%A3%80%E6%B5%8B%E4%B8%8E%E8%AF%86%E5%88%AB.pdf
Thumbnail:
Number: 37
Name: 基于卷积神经网络的同时交通标志检测与边界估计
Publication category: IEEE
Publication Name: TITS
Issuing Time: 2018_3_8
Contribution: 提出估计交通标志的位置与其精确边界的方法。推广了物体边界框检测问题并制定了物体姿态估计问题，使用CNN建模。为实现检测速度，考虑交通标志的特征，探索了性能最佳的基础网络并修剪了不必要的网络层。优化网络输入的分辨率，在速度和准确度之间实现折衷.
Difficulty: 基于SSD结构构建CNN块，网络执行姿态估计，转换成相应交通标志的边界估计。从特征图中，通过两个分离的卷积层，即姿势回归层和形状分类层结合将卷积输出分别转换为2D姿势值和类概率的连续操作来估计2D姿势和形状类概率。使用获得的2D姿势和形状类概率计算边界角。
Result: 如下图所示，两种型号在0.5 IoU时均达到0.8 mAP以上，甚至在0.7 IoU时也达到0.8 mAP。表明该方法能够准确地检测交通标志。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_English/%E5%9F%BA%E4%BA%8E%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E5%90%8C%E6%97%B6%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E4%B8%8E%E8%BE%B9%E7%95%8C%E4%BC%B0%E8%AE%A1.pdf
Thumbnail:
Number: 36
Name: 通过兴趣区域提取检测交通标志
Publication category: ScienceDirect
Publication Name: Pattern Recognition
Issuing Time: 2015_6_9
Contribution: 使用实体图像分析和模式识别技术的组合来解决移动地图数据中的兴趣区域提取交通标志检测问题。
Difficulty: 兴趣区域提取通过两种互补算法最大稳定极值区域（MSER）检测器和基于波的检测器（WaDe）实现。
Result: 提出的交通标志检测系统在诸如变化的照明、部分遮挡、大规模变化的挑战条件下表现良好。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_English/%E8%AE%BA%E6%96%87_2015_%E9%80%9A%E8%BF%87%E5%85%B4%E8%B6%A3%E5%8C%BA%E5%9F%9F%E6%8F%90%E5%8F%96%E6%A3%80%E6%B5%8B%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97.pdf
Number: 35
Name: 用于车载网络中的真实交通标志的深度检测网络
Publication category: ScienceDirect
Publication Name: Computer Networks
Issuing Time: 2018_4_2
Contribution: 提出了一种新颖的端到端深度网络，通过两阶段调整策略提取区域提案。添加新的AT（注意网络），根据颜色特征定位所有潜在的RoI。
Difficulty: 采用两阶段调整策略定位RoI，以粗略到精细的方式加速对象检测过程。
Result: 仅生成Faster-RCNN的1/14锚，使用ZF-Net检测速度提高了约2fps，在两个基准测试中的平均mAP分别为80.31％和94.95％，分别比使用VGG16的Faster-RCNN高9.69％和7.88％。实验结果表明该网络在速度和mAP方面都优于以前的方法,在小尺寸物体上表现更好。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_English/%E8%AE%BA%E6%96%87_2018_%E7%94%A8%E4%BA%8E%E8%BD%A6%E8%BD%BD%E7%BD%91%E7%BB%9C%E4%B8%AD%E7%9A%84%E7%9C%9F%E5%AE%9E%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E7%9A%84%E6%B7%B1%E5%BA%A6%E6%A3%80%E6%B5%8B%E7%BD%91%E7%BB%9C.pdf
Thumbnail:
Number: 34
Name: 基于多特征协同的交通标志检测
Publication category: 中文核心
Publication Name: 计算机工程
Issuing Time: 2015
Contribution: 提出一种颜色特征、形状特征和尺度特征的多特征协同方法。
Difficulty: 计算颜色增强图,利用多阈值分割方法和闭合轮廓曲率直方图链码表达,对提取的形状轮廓的曲率直方图进行尺度归一化处理,融合颜色特征和归一化后的形状特征构成区域的特征向量,采用支持向量机分类获得检测结果。
Result: 采用数据集Traffic Signs UAH和GTSDB数据集进行实验，本文方法平均每帧运行时间低于1.0s。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8E%E5%A4%9A%E7%89%B9%E5%BE%81%E5%8D%8F%E5%90%8C%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B_%E6%B1%A4%E5%87%AF.pdf
Number: 33
Name: 基于自适应阈值与圆形相似度的禁令标志检测
Publication category: 中文核心
Publication Name: 工程设计学报
Issuing Time: 2014
Contribution: 提出了一种简单的双向遍历外边缘提取算法, 采用该方法能够获取候选区域清晰的外边缘；利用圆形相似度参数判断候选区域是否为禁令标志区域.比Hough变换圆检测算法简单，能检测不连续的圆形外边缘。
Difficulty: 采用一种HSI自适应阈值粗分割方法获取场景图像的红色二值图, 克服固定阈值分割算法受光照等外界因素影响较大的缺点；进行连通区域标记, 排除部分非禁令标志红色区域,对多个相连禁令标志作有效分割, 提取出禁令标志的候选区域；通过分析候选区域外边缘的圆形相似度参数, 确定禁令标志区域。
Result: 算法能够有效地检测并分割开多个相连的禁令标志；能从光照干扰较强的场景中检测出禁令标志；能检测到部分边缘被遮挡的禁令标志；适用于边缘褪色严重的禁令标志；在红色干扰物较多场景中具有较好的检测效果。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8E%E8%87%AA%E9%80%82%E5%BA%94%E9%98%88%E5%80%BC%E4%B8%8E%E5%9C%86%E5%BD%A2%E7%9B%B8%E4%BC%BC%E5%BA%A6%E7%9A%84%E7%A6%81%E4%BB%A4%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B_%E6%AC%A7%E9%98%B3%E7%BB%B4%E5%8A%9B.pdf
Number: 32
Name: 一种基于颜色不变量和PHOG特征的交通标志检测方法
Publication category: 中文核心
Publication Name: 计算机应用与软件
Issuing Time: 2014
Contribution: 提出一种基于颜色不变量和塔式梯度方向直方图PHOG特征的交通标志检测方法。
Difficulty: 自然环境下的交通标志,PHOG特征所采用的Canny算法在获取感兴趣区域轮廓时会产生较多噪声,从而降低分类性能。提出利用Chromatic-edge来增强目标轮廓并抑制噪声以提升PHOG特征描述能力。
Result: 该方法对光照、阴影、遮挡、以及背景复杂等因素具有较高的鲁棒性, 获得了较高的检测率和较低的误检率。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E4%B8%80%E7%A7%8D%E5%9F%BA%E4%BA%8E%E9%A2%9C%E8%89%B2%E4%B8%8D%E5%8F%98%E9%87%8F%E5%92%8CPHOG%E7%89%B9%E5%BE%81%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E6%96%B9%E6%B3%95_%E5%91%A8%E5%B9%BF%E6%B3%A2.pdf
Number: 31
Name: 基于高斯颜色模型和SVM的交通标志检测
Publication category: EI
Publication Name: 仪器仪表学报
Issuing Time: 2014
Contribution: 提出一种基于高斯颜色模型和机器学习的快速交通标志检测算法，解决了单纯采用颜色模型或分类器检测误差较大的问题。
Difficulty: 在直方图校正之后，使用高斯颜色模型方法来分割图像；在分割图像上利用形态学处理来提取候选交通标志；将HOG描述符和SVM组合起来训练分类器，准确地检测交通标志。
Result: 采用的CbCr高斯色度模型，符合标志颜色的分布区间，能避免不同光照的影响；相对于直接设置阈值检测方法，避免了许多误检；相对于色彩差方法，本文初步分割检测时避免了将黄色目标误检为红色目标；采用的HOG特征对光照和尺度变化不敏感，且能够很好地描述图像的边缘。将HOG算子与二分类效果很好的SVM结合，将检测结果的正确率由75.48％提高到94.21%。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8E%E9%AB%98%E6%96%AF%E9%A2%9C%E8%89%B2%E6%A8%A1%E5%9E%8B%E5%92%8CSVM%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B_%E5%B8%B8%E5%8F%91%E4%BA%AE.pdf
Number: 30
Name: 基于图像聚类的交通标志CNN快速识别算法
Publication category: 中文核心
Publication Name: 智能系统学报
Issuing Time: 2018
Contribution: 提出一种基于图像聚类的交通标志CNN快速识别算法。
Difficulty: 利用图像聚类算法对原始数据集进行样本优化；采用多种图像预处理操作使样本整体质量进一步提升；构造深度为9的CNN结构，通过多次训练得到最终的网络模型，将待识别的图像输入到CNN模型实现自动识别。
Result: 单张图片的识别速度只需0.2s，识别精度高达98.5%以上。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8E%E5%9B%BE%E5%83%8F%E8%81%9A%E7%B1%BB%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97CNN%E5%BF%AB%E9%80%9F%E8%AF%86%E5%88%AB%E7%AE%97%E6%B3%95_%E4%BC%8D%E9%94%A1%E5%A6%82.pdf
Number: 29
Name: 基于改进LeNet -5-网络的交通标志识别方法
Publication category: 中文核心
Publication Name: 科学技术与工程
Issuing Time: 2018
Contribution: 针对传统LeNet-5卷积神经网络用于交通标志等多种类识别任务中，存在识别正确率低，网络容易过拟合以及梯度消失等问题进行改进。
Difficulty: LeNet-5适用于手写数字图片的识别，在识别交通标志图像时主要存在以下问题：交通标志图片尺寸较大，使用原有的卷积核进行特征提取效果不好；交通标志图片的背景、识别对象都较手写数字图片更为复杂，使用传统网络识别率较低；手写数字种类只有10种，而常见交通标志种类有62种，种类多难度大。
Result: 改进的LeNet-5网络可以有效地解决过拟合和梯度消失的问题，且具有更好的稳健性。与CNN（卷积神经网络）+ SVM（支持向量机）和传统的LeNet-5网络相比，改进网络分类的准确率可达98.5％，比CNN+SVM高5％，比传统的LeNet-5网络高出3％。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8E%E6%94%B9%E8%BF%9BLeNet_5%E7%BD%91%E7%BB%9C%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E8%AF%86%E5%88%AB%E6%96%B9%E6%B3%95_%E6%B1%AA%E8%B4%B5%E5%B9%B3.pdf
Number: 28
Name: 基于多特征融合的交通标志识别算法
Publication category: 中文核心
Publication Name: 计算机与应用
Issuing Time: 2018
Contribution: 提出了基于多特征融合和SVM分类器的交通标志识别算法。
Difficulty: 通过HOG与LBP特征相融合得到维数降低的融合特征；级联颜色特征得到最终的特征向量；结合SVM分类器进行多类别分类。
Result: 采用特征稀疏的方式融合HOG与LBP特征，能够很大程度上降低时间复杂度，级联颜色特征能够实现特征互补，提高标志识别率，交叉验证实验也证明了本文算法的鲁棒性。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8E%E5%A4%9A%E7%89%B9%E5%BE%81%E8%9E%8D%E5%90%88%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E8%AF%86%E5%88%AB%E7%AE%97%E6%B3%95_%E9%9F%A9%E4%B9%A0%E4%B9%A0.pdf
Number: 27
Name: 复杂场景下基于颜色对和MSER的交通标志检测方法
Publication category: 中文核心
Publication Name: 北京交通大学学报
Issuing Time: 2018
Contribution: 提出一种基于颜色对和最大稳定极值区域（MSER）的交通标志检测算法。
Difficulty: 解决不同天气情况下获取的图像亮度不同的问题，使用多组阈值;针对使用传统的颜色阈值算法得到的交通标志候选区域与颜色相似的背景粘连在一起的现象，提出一种分割算法对其进行准确分割。最后使用支持向量机（SVM）和方向梯度直方图（HOG）对得到的目标区域进行分类。
Result: 在瑞典库，德国库和西班牙库中，本文算法F-measure值均高于SDA算法、CVS算法、Windows算法、MSERs算法。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%A4%8D%E6%9D%82%E5%9C%BA%E6%99%AF%E4%B8%8B%E5%9F%BA%E4%BA%8E%E9%A2%9C%E8%89%B2%E5%AF%B9%E5%92%8CMSER%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E6%96%B9%E6%B3%95_%E6%88%B4%E9%9B%AA%E7%91%9E.pdf
Number: 26
Name: 基于颜色空间和模板匹配的交通标志检测方法
Publication category: 中文核心
Publication Name: 智能计算机与应用
Issuing Time: 2016
Contribution: 介绍分析了以RGB颜色模型及其确定阈值的粗分割算法和HSV颜色模型及其固定阈值的粗分割算法。
Difficulty: 利用HSV颜色空间和RGB颜色空间对不同颜色的交通标志进行粗检测,标记不同的值实现ROI分割；利用模板匹配的方法对交通标志进行处理,使用模板在ROI区域上滑动,得到模板相似度的最大值,实现检测过程。
Result: 基于模板匹配方法的交通标志检测系统目前可以检测大量的禁止标志,对数据库中的150张禁止标志图像进行检测,检测成功率为96.67%。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8E%E9%A2%9C%E8%89%B2%E7%A9%BA%E9%97%B4%E5%92%8C%E6%A8%A1%E6%9D%BF%E5%8C%B9%E9%85%8D%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E6%96%B9%E6%B3%95_%E9%83%9D%E5%8D%9A%E9%97%BB.pdf
Number: 25
Name: 基于的Gabor特征提取和SVM交通标志识别方法研究
Publication category: 中文核心
Publication Name: 现代电子技术
Issuing Time: 2018
Contribution: 针对传统识别技术不能满足实时性和准确性的要求，采用一种基于Gabor特征提取和支持向量机（SVM）交通标志识别方法。
Difficulty: 选定交通标志图像进行灰度化、图像增强处理，采用Gabor滤波技术进行特征提取；针对大量的特征信息采用主成分分析（PCA）降维，并用支撑向量机分类识别；在Matlab平台上进行实验，验证该方法的识别率和识别时间。
Result: 在相同样本集的测试下，本文算法对训练数据和测试数据分别进行了主成分分析（PCA）降维处理，简化了模型的复杂度，有效缩减识别时间，提高识别准确率。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8EGabor%E7%89%B9%E5%BE%81%E6%8F%90%E5%8F%96%E5%92%8CSVM%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E8%AF%86%E5%88%AB%E6%96%B9%E6%B3%95%E7%A0%94%E7%A9%B6_%E5%BC%A0%E4%BC%A0%E4%BC%9F.pdf
Number: 24
Name: 基于改进深度卷积神经网络的交通标志识别
Publication category: 中文核心
Publication Name: 激光与光电子学进展
Issuing Time: 2018
Contribution: 提出了改进深度卷积神经网络 AlexNet 的分类识别算法模型。
Difficulty: 在传统 AlexNet模型基础上，以真实场景中拍摄的交通标志图像数据集GTSRB为研究对象，将所有卷积层的卷积核修改为3×3大小；为了预防和减少过拟合的出现在2个全连接层后加入dropout层；为了提高交通标志识别精度在网络模型第五层后增加两层卷积层。
Result: 在GTSRB数据集上得到了96.875%的识别准确率、分类识别每幅图像40毫秒的识别速度。通过与 AlexNet 模型对比，在参数总量大幅减少的情况下，识别准确率还要高出1.3个百分点。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8E%E6%94%B9%E8%BF%9B%E6%B7%B1%E5%BA%A6%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E8%AF%86%E5%88%AB_%E9%A9%AC%E6%B0%B8%E6%9D%B0.pdf
Number: 23
Name: 基于多示例深度学习与损失函数优化的交通标志识别算法
Publication category: 中文核心
Publication Name: 现代电子技术
Issuing Time: 2018
Contribution: 分别从大数据样本收集标注、多示例深度学习、集成智能识别出发, 提出基于多示例深度学习的交通标志识别算法。
Difficulty: 根据样本图像块与其对应的标签设计一个包含颜色、几何、区域特征的训练集, 得到样本特征与标签的对应规律;根据权重修正反馈, 推导包与标签的逻辑关系, 建立多示例训练学习算子,准确分类；进行训练集损失函数计算, 通过最优分类器减少训练数据损失；基于大数据样本驱动形成背景约束去除示例中模棱两可的训练数据；基于QT平台, 开发相应的识别软件。
Result: 本文算法在这种大型样本库中的准确识别率为96.3%, 而类似文献中两种算法的准确识别率要低于所提算法, 分别为91.7%, 93.4%。表明所提交通标志识别算法具有更理想的稳健性。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8E%E5%A4%9A%E7%A4%BA%E4%BE%8B%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E4%B8%8E%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0%E4%BC%98%E5%8C%96%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E8%AF%86%E5%88%AB%E7%AE%97%E6%B3%95_%E5%BC%A0%E6%B0%B8%E9%9B%84.pdf
Number: 22
Name: 基于优化卷积神经网络结构的交通标志识别
Publication category: 中文核心
Publication Name: 计算机应用
Issuing Time: 2017
Contribution: 综合批量归一化（BN）方法，逐层贪婪预训练（GLP）方法，支持向量机（SVM）这三种方法对卷积神经网络（CNN）结构进行优化，提出基于优化CNN结构的交通标志识别算法。
Difficulty: 采用BN方法改变中间层的数据分布，将卷积层的输出数据归一化为均值0和方差值1，缩短训练时间；通过使用GLP方法，每一层卷积网络在训练结束时进行了训练，其参数得以保留，直到完全训练了所有卷积层，有效提高识别率；SVM分类器仅关注具有错误分类的样本，加快了训练速度。
Result: 与传统的CNN相比，新算法的训练时间减少了20.67％，识别率达到98.24％；优化前的识别率为97.36％，优化后的识别率为98.03％，使用GLP方法的识别率比优化前的三层卷积识别率要高。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8E%E4%BC%98%E5%8C%96%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%BB%93%E6%9E%84%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E8%AF%86%E5%88%AB_%E7%8E%8B%E6%99%93%E6%96%8C.pdf
Number: 21
Name: 基于分块自适应融合特征的交通标志识别
Publication category: 中文核心
Publication Name: 计算机工程与应用
Issuing Time: 2017
Contribution: 提出基于分块HOG-LBP自适应融合特征的交通标志识别方法。通过分块计算梯度直方图得到的权重系数，判断该块是属于轮廓还是内部指示，对前者选择HOG权重大，后者选择LBP特征权重大，将自适应串行融合后的特征送入支持向量机识别。
Difficulty: 交通标志由外形和内部指定符号组成，前者可由方向梯度直方图（HOG）描述，但直方图受噪声影响，后者的细节可以通过局部二元模式（LBP）很好地描述。
Result: 该算法对标准交通标志识别率可达到100％，对含模糊，残缺，遮挡等非标准交通标志也达到了76％。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8E%E5%88%86%E5%9D%97%E8%87%AA%E9%80%82%E5%BA%94%E8%9E%8D%E5%90%88%E7%89%B9%E5%BE%81%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E8%AF%86%E5%88%AB_%E6%88%88%E4%BE%A0.pdf
Number: 20
Name: 应用卷积神经网络与RPN的交通标志识别
Publication category: 中文核心
Publication Name: 计算机工程与应用
Issuing Time: 2018
Contribution: 提出了利用深度学习方法设计卷积神经网络.
Difficulty: 利用RPN网络结构提取到候选区域；对提取到的特征，利用bbox层回归处理对其进行定位；通过标签层分类概率向量确定其属于警告，禁止，指示中的哪一类。
Result: 训练的检测卷积网络最好时回收率达到了95.3％左右。该方法的准曲率和召回率均比Faster R-CNN方法要高。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%BA%94%E7%94%A8%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E4%B8%8ERPN%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E8%AF%86%E5%88%AB_%E8%B0%AD%E5%8F%B0%E5%93%B2.pdf
Number: 19
Name: 复杂光照条件下交通标志牌检测
Publication category: 中文核心
Publication Name: 中国科技论文
Issuing Time: 2018
Contribution: 结合亮度场景分类、RGB空间下颜色分割以及形状轮廓空间特征，提出一种复杂光照条件下交通标志牌检测方法。
Difficulty: 根据图像亮度分布情况将图像分为逆光、阴暗、明亮和正常４种场景并进行自适应 Gamma变换，消除光照对RGB颜色分量的影响，实现图像增强;利用基于RGB空间下改进的三分量色差法提取图像中红色、黄色和蓝色目标区域，实现目标区域粗定位;利用形状轮廓空间特征实现交通标志牌精确定位。
Result: 不同检测方法的检出率比较：基于边缘颜色对检测是95.30%；局部Hough变换93.60%；基于多特征高可信度区域检测97.10%；HSI＋ 形状91.55%；本文方法97.60%。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%A4%8D%E6%9D%82%E5%85%89%E7%85%A7%E6%9D%A1%E4%BB%B6%E4%B8%8B%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E7%89%8C%E6%A3%80%E6%B5%8B_%E6%9D%8E%E6%96%87%E4%B8%BE.pdf
Number: 18
Name: 复杂光照条件下交通标志牌检测
Publication category: 中文核心
Publication Name: 电视技术
Issuing Time: 2017
Contribution: 提出一种改进的网络模型。该模型集合了多尺度输入、并行交叉、恒等映射的特点，保证特征提取的充分性与多样性并使网络性能不会随深度加深而退化。
Difficulty: 网络训练采用图像扩增技术，使训练集扩增为原来的10倍；对图像进行去均值处理；在实验中用ReLU(Rectified linear unit)类型的激活函数代替传统卷积神经网络中的sigmoid激活函数,并且卷积层后面加入了归一化层 (BatchNormalization, BN)。
Result: 并行交叉模型、恒等映射模型在GTSRB数据集上的识别率分别可达到94.9%, 95.8%, 比传统卷积神经网络89.9%的准确率高, 两者结合后识别率可达到96.3%；以80×80、64×64和48×48大小作为网络输入可以分别达到95.9%、96.3%和95.6%的识别率;把它们共同作为网络输入时, 可达到97.6%的准确率, 远超传统卷积神经网络的识别率。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E6%94%B9%E8%BF%9B%E7%9A%84%E6%B7%B1%E5%BA%A6%E5%8D%B7%E7%A7%AF%E7%BD%91%E7%BB%9C%E5%9C%A8%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E8%AF%86%E5%88%AB%E4%B8%AD%E7%9A%84%E5%BA%94%E7%94%A8_%E6%9D%A8%E8%BF%9C%E9%A3%9E.pdf
Number: 17
Name: 基于显著图与傅里叶描述子的交通标志检测
Publication category: 中文核心
Publication Name: 计算机工程
Issuing Time: 2017
Contribution: 提出基于显着图和傅里叶描述子的交通标志检测算法，解决交通标志检测存在标志尺寸变化、旋转失真、投影失真以及部分被遮挡等问题。
Difficulty: 采用频率调谐方法得到显着图并将其二值化，初步定位交通标志区域；提取区域外层轮廓，利用轮廓周长和长宽比特征滤除干扰信息，对合格轮廓进行凸壳处理，得到归一化凸壳傅里叶描述子，并与标准数据对比得到检测结果。
Result: 国内交通标志实验圆形、矩形、三角形交通标志的检测率分别为95.33%、94.10%、96.73%。GTSDB标志实验圆形、矩形、三角形交通标志的检测率分别为92.60%、91.79%、92.52%。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8E%E6%98%BE%E8%91%97%E5%9B%BE%E4%B8%8E%E5%82%85%E9%87%8C%E5%8F%B6%E6%8F%8F%E8%BF%B0%E5%AD%90%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B_%E4%BD%99%E8%B6%85%E8%B6%85.pdf
Number: 16
Name: 自然场景下三角形交通标志的检测与识别
Publication category: 中文核心
Publication Name: 应用科学学报
Issuing Time: 2014
Contribution: 提出了一种适用于自然场景下三角形交通标志的检测与识别方法。
Difficulty: 利用颜色分割粗略提取标志区;提取标志区轮廓边缘和直线拟合，确定三角形标志的3个顶点，精确检测出完整的三角形标志区;设计一种分块特征提取方法对检测出的三角形标志和所有参考三角形标志进行特征提取，通过特征匹配识别出三角形交通标志类别。
Result: 试验数据为350张车载视频图像，共有79个三角形标志。本文算法检测出75个，检测正确率约为95％；基于三角形颜色和形状特征的整体模板匹配方法识别正确率约为56％;精确轮廓提取获得完整标志形状，采用分块特征提取的识别方法，识别正确率为75.9％。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E8%87%AA%E7%84%B6%E5%9C%BA%E6%99%AF%E4%B8%8B%E4%B8%89%E8%A7%92%E5%BD%A2%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E7%9A%84%E6%A3%80%E6%B5%8B%E4%B8%8E%E8%AF%86%E5%88%AB_%E8%B4%BE%E6%B0%B8%E7%BA%A2.pdf
Number: 15
Name: 雾霾天气情况下的交通标志检测
Publication category: 中文核心
Publication Name: 交通运输系统工程与信息
Issuing Time: 2016
Contribution: 提出一种在雾霾天气下快速实现交通标志检测的算法。
Difficulty: 通过暗原色原理对雾霾天气中获得的图像进行去雾处理,得到对比度增强的图像;将图像转换为归一化红蓝图像,在不同阈值对该图像进行二值化,提取其连通区域,如果连通区域在几个阈值下的二值化图像均能保持形状不变,则选作感兴趣区域;利用交通标志的形状信息将干扰区域去除,得到交通标志的检测结果。
Result: 用MATLAB2012b进行仿真实验, 文章采用的去雾的MSERs方法比NRGB、MSERs提取的方法、去雾后的NRGB方法的实验结果都要好.
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E9%9B%BE%E9%9C%BE%E5%A4%A9%E6%B0%94%E6%83%85%E5%86%B5%E4%B8%8B%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B_%E8%96%9B%E7%8E%89%E5%88%A9.pdf
Number: 14
Name: 基于MSER和SVM的快速交通标志检测_
Publication category: 中文核心
Publication Name: 光电子·激光
Issuing Time: 2016
Contribution: 提出了一种基于感兴趣区域（ROI）提取和机器学习的快速TSD算法，解决传统的基于机器学习的交通标志检测（TSD）方法需要对每一个待检测子窗口进行处理而导致算法实时性不高的问题。
Difficulty: 针对传统基于颜色阈值的ROI提取方法具有对光照变化较敏感等缺点，设计一种颜色增强下的最大稳定极值区域（MSER）方法，根据标志的颜色进行颜色增强，对颜色增强图像提取MSER得到交通标志ROI;在图像的多尺度滑动遍历检测过程中，仅对包含ROI的滑动窗口进行方向梯度直方图（HOG）特征的提取，并通过支持向量机（SVM）进行分类判别。
Result: 本文改进的TSD方法在运算速度上有较大提升，获得了96.42％的检测率以及较低的误检数。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8EMSER%E5%92%8CSVM%E7%9A%84%E5%BF%AB%E9%80%9F%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B_%E7%8E%8B%E6%96%8C.pdf
Number: 13
Name: 自动驾驶场景下小且密集的交通标志检测
Publication category: 中文核心
Publication Name: 智能系统学报
Issuing Time: 2018_4_11
Contribution: 提出用浅层VGG16网络作为物体检测框架R-FCN的主体网络，并改进VGG16网络以检测小的交通标志。
Difficulty: 减小特征图缩放倍数,去掉VGG16网络卷积conv43后面的特征图,使用RPN网络在浅层卷积conv43上提取候选框;特征拼层,将尺度相同的卷积conv41、conv42、conv43层的特征拼接起来形成组合特征。
Result: 改进后的物体检测框架能够检测到更多的小物体,在驭势科技提供的交通标志数据集上检测的准确率mAP达到了65%。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/2018_%E8%87%AA%E5%8A%A8%E9%A9%BE%E9%A9%B6%E5%9C%BA%E6%99%AF%E4%B8%8B%E5%B0%8F%E4%B8%94%E5%AF%86%E9%9B%86%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B_%E8%91%9B%E5%9B%AD%E5%9B%AD.pdf
Number: 12
Name: 基于感兴趣区域提取与双过滤器的交通标志检测算法
Publication category: 中文核心
Publication Name: 电子测量与仪器学报
Issuing Time: 2018_5_15
Contribution: 设计了一种ROI提取与双过滤器的交通标志检测方案，通过2种具有互补的兴趣区域MSER与WE测量。
Difficulty: 利用MSER与WE对交通标志的ROI提取得到了标志的候选区域，再联合HOG与SVM方法提取候选区域的特征并进行分类，嵌入了上下文感知过滤器与交通灯过滤器，剔除伪标志区域与交通灯。
Result: 本文算法平均消耗时间为0.68 s，与其他算法效率相当，能够满足实时性要求。本文算法的Precision-Recall曲线表现良好，稳定性优异。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8E%E6%84%9F%E5%85%B4%E8%B6%A3%E5%8C%BA%E5%9F%9F%E6%8F%90%E5%8F%96%E4%B8%8E%E5%8F%8C%E8%BF%87%E6%BB%A4%E5%99%A8%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E7%AE%97%E6%B3%95_%E6%9B%B9%E5%86%8D%E8%BE%89.pdf
Number: 11
Name: 一种基于局部特征的交通标志检测算法的研究
Publication category: 中文核心
Publication Name: 现代电子技术
Issuing Time: 2015_7_1
Contribution: 以圆形标志牌为例,提出一种统一对称局部特征检测模板提取自然场景下获得的目标区域的特征,设计一组模糊规则判定形状,形成一种基于局部特征的交通标志检测算法。
Difficulty: 自适应中值滤波器设计；局部特征的提取，包括统一的对称局部特征检测模板和子模板内含有特征颜色像素个数的隶属度函数。
Result: 该交通标志检测算法检测率基本达到90%左右;对表面有污损的但特征颜色轮廓完整的标志也能正确检测。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E4%B8%80%E7%A7%8D%E5%9F%BA%E4%BA%8E%E5%B1%80%E9%83%A8%E7%89%B9%E5%BE%81%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E7%AE%97%E6%B3%95%E7%9A%84%E7%A0%94%E7%A9%B6_%E5%AE%8B%E5%A9%80%E5%A8%9C.pdf
Number: 10
Name: 基于CNN多层特征和ELM的交通标志识别
Publication category: EI
Publication Name: 电子科技大学学报
Issuing Time: 2018_5_30
Contribution: 提出并实现了一种基于多层特征表达和极限学习机的交通标志识别方法.
Difficulty: CNN特征提取;多特征融合;ELM分类器.
Result: 多层特征的识别准确率明显高于单层特征的识别准确率，平均高达两个百分点；利用单层特征的平均准确率为96.08%，利用多层特征的平均准确率为98.13%；ELM 分类器的平均准确率高于softmax和SVM分类器，准确率高达 98.13%；每幅图片的平均识别时间缩短到5.46 m/s。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8ECNN%E5%A4%9A%E5%B1%82%E7%89%B9%E5%BE%81%E5%92%8CELM%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E8%AF%86%E5%88%AB_%E5%AD%99%E4%BC%9F.pdf
Number: 9
Name: 基于多尺度卷积神经网络的交通标志识别
Publication category: EI
Publication Name: 湖南大学学报（自然科学版）
Issuing Time: 2018_8_25
Contribution: 提出了一种改进的基于多尺度卷积神经网络（CNN）的交通标志识别算法。
Difficulty: 通过图像增强比选实验，采用限制对比度自适应直方图均衡化方法作为图像预处理方法以改善图像质量；提出一种多尺度CNN模型提取交通标志图像的全局特征和局部特征；将组合后的多尺度特征送入全连接。
Result: 算法在GTSRB基准数据集上获得98.82％的识别准确率以及每幅图像0.1ms的识别速度，
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8E%E5%A4%9A%E5%B0%BA%E5%BA%A6%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E8%AF%86%E5%88%AB_%E5%AE%8B%E9%9D%92%E6%9D%BE.pdf
Number: 8
Name: BP神经网络下的限速交通标志实时检测识别
Publication category: EI
Publication Name: 西安电子科技大学学报
Issuing Time: 2018_4_11
Contribution: 基于视频数据对限速交通标志进行检测与识别, 实现了限速交通标志的自动检测定位, 采用反向传播神经网络来进行道路标志的识别;采用连续自适应的均值漂移算法和光流法进行视频加速.
Difficulty: 椭圆检测定位过程中采用帧间加速法、连续自适应均值漂移算法(CamShift)、光流法缩短定位时间, 再对定位结果进行反向传播（BP）神经网络识别, 提高检测效率, 实现实时视频处理。
Result: 新提出的算法在耗时上缩短50%以上, 检测识别准确度在90%以上.
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/BP%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E4%B8%8B%E7%9A%84%E9%99%90%E9%80%9F%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E5%AE%9E%E6%97%B6%E6%A3%80%E6%B5%8B%E8%AF%86%E5%88%AB_%E5%BC%A0%E5%85%B4%E5%9B%BD.pdf
Number: 7
Name: 一种面向无人驾驶汽车的高效交通标志识别方法
Publication category: EI
Publication Name: 机器人
Issuing Time: 2015_1_15
Contribution: 阐述了一种针对自然环境的高效交通标志识别方法，所设计的TSR系统已被应用于无人驾驶汽车平台，并多次参与“中国智能车未来挑战赛”。
Result: 本系统主要应用于“中国智能车未来挑战赛”无人驾驶汽车平台，在实际测试中识别率达95％，识别速率达8Hz~10Hz。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E4%B8%80%E7%A7%8D%E9%9D%A2%E5%90%91%E6%97%A0%E4%BA%BA%E9%A9%BE%E9%A9%B6%E6%B1%BD%E8%BD%A6%E7%9A%84%E9%AB%98%E6%95%88%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E8%AF%86%E5%88%AB%E6%96%B9%E6%B3%95_%E5%AE%8B%E6%96%87%E6%9D%B0.pdf
Number: 6
Name: 基于卷积神经网络的同时交通标志检测与边界估计
Publication category: IEEE
Publication Name: TITS
Issuing Time: 2018_3_8
Contribution: 提出估计交通标志的位置与其精确边界的方法。推广了物体边界框检测问题并制定了物体姿态估计问题，使用CNN建模。为实现检测速度，考虑交通标志的特征，探索了性能最佳的基础网络并修剪了不必要的网络层。优化网络输入的分辨率，在速度和准确度之间实现折衷.
Difficulty: 基于SSD结构构建CNN块，网络执行姿态估计，转换成相应交通标志的边界估计。从特征图中，通过两个分离的卷积层，即姿势回归层和形状分类层结合将卷积输出分别转换为2D姿势值和类概率的连续操作来估计2D姿势和形状类概率。使用获得的2D姿势和形状类概率计算边界角。
Result: 如下图所示，两种型号在0.5 IoU时均达到0.8 mAP以上，甚至在0.7 IoU时也达到0.8 mAP。表明该方法能够准确地检测交通标志。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_English/%E5%9F%BA%E4%BA%8E%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E5%90%8C%E6%97%B6%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E4%B8%8E%E8%BE%B9%E7%95%8C%E4%BC%B0%E8%AE%A1.pdf
Thumbnail:
Number: 5
Name: 基于深度学习的交通标志检测与识别研究与应用
Publication category: IEEE
Publication Name: ICRIS
Issuing Time: 2018_7_12
Contribution: 提出了一种基于SSD算法的交通标志检测与识别新框架；将SSD扩展到新的应用程序交通标志检测和识别问题；缩短训练时间，提高Softmax分类器的准确性。
Difficulty: 向数据集添加更多数据，一些交通标志具有水平或垂直镜像的不变性，并且训练样本的图像可以随机地旋转小角度以处理真实场景中的符号倾斜问题；防止模型过度拟合使用丢失算法。
Result: 最大迭代次数为20000次，准确率可达到约96％。网络在图像严重倾斜、质量差、最小边界框不够准确等极端条件下有改进的余地。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Conference%20abstracts_English/%E4%BC%9A%E8%AE%AEICRIS_2018_%E5%9F%BA%E4%BA%8E%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E4%B8%8E%E8%AF%86%E5%88%AB%E7%A0%94%E7%A9%B6%E4%B8%8E%E5%BA%94%E7%94%A8.pdf
Number: 4
Name: 基于图模型与卷积神经网络的交通标志识别方法
Publication category: EI
Publication Name: 交通运输工程学报
Issuing Time: 2016_10_15
Contribution: 提出基于图模型的层次显著性检测方法HSDBGM，有效地融合了局部区域的细节信息与图像的结构信息。建立面向应用的 R-CNN交通标志识别系统，通过显著性检测方法提取ROI，并与CNN结合。
Difficulty: 提出一种基于先验位置约束与局部特征（颜色与边界）的层次显著性模型。
Result: 针对限速标志，基于UCM超像素区域的图模型比基于简单线性迭代聚类（SLIC）超像素的图模型更有利于获取上层显著度图的大尺度结构信息；基于先验位置约束与局部特征（颜色与边界）的层次显著性模型查准率为0.65，查全率为0.8，Ｆ指数为0.73，均高于其他同类基于超像素的显著性检测算法；基于具体检测任务的CNN预训练策略扩展了德国交通标志识别库（GTSRB）的样本集，更好地学习目标内部的局部精细特征，提高了学习与识别能力，总识别率为98.85%，高于SVM分类器的96.73%。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8E%E5%9B%BE%E6%A8%A1%E5%9E%8B%E4%B8%8E%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E8%AF%86%E5%88%AB%E6%96%B9%E6%B3%95_%E5%88%98%E5%8D%A0%E6%96%87.pdf
Thumbnail:
Number: 3
Name: 一种基于HDR技术的交通标志牌检测和识别方法
Publication category: 中文核心期刊
Publication Name: 激光与光电子学进展
Issuing Time: 2018_4_27
Contribution: 提出的基于HDR技术的交通标志牌检测和识别方法在光线强烈和光线昏暗的极端环境下比其他传统方法更优越。
Difficulty: 提出了一种基于高动态范围（HDR）技术的识别方法。利用改进的逆色调映射算法，在不同曝光条件下捕获的LDR图像在亮度范围内自适应拉伸，分别生成两个子图像，然后生成HDR图像。采用多重曝光融合算法代替原始LDR图像进行识别。
Shortcoming: 逆色调映射和多曝光融合处理时间较长，实时性不高。
Result:
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E4%B8%80%E7%A7%8D%E5%9F%BA%E4%BA%8EHDR%E6%8A%80%E6%9C%AF%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E7%89%8C%E6%A3%80%E6%B5%8B%E5%92%8C%E8%AF%86%E5%88%AB%E6%96%B9%E6%B3%95_%E5%BC%A0%E6%B7%91%E8%8A%B3.pdf
Thumbnail:
Number: 2
Name: 自然环境下圆形禁令交通标志检测
Publication category: EI
Publication Name: 武汉大学学报(信息科学版)
Issuing Time: 2016_12_5
Contribution: 针对中国圆形禁令交通标志提出一种颜色分割与形状分析的标志检测算法。
Difficulty: 在RGB颜色空间选择一个基础通道，计算相对通道差值，通过实验数据拟合阈值曲线进行自适应颜色分割;对分割图像提取边缘，提出最小二乘椭圆拟合后验偏差估计法对边缘进行筛选。
Shortcoming: 存在错检漏检；在普适性及自动化上有所欠缺。
Result: 有效检测率高达97.92％，平均耗时只有65.42ms，对亮度、视角变化、褪色、模糊等情况具有较好的鲁棒性。
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E8%87%AA%E7%84%B6%E7%8E%AF%E5%A2%83%E4%B8%8B%E5%9C%86%E5%BD%A2%E7%A6%81%E4%BB%A4%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B_%E6%9D%8E%E8%BF%8E%E6%9D%BE.pdf
Number: 1
Name: 基于深度属性学习的交通标志检测
Publication category: EI
Publication Name: 吉林大学学报(工学版)
Issuing Time: 2017_3_9
Contribution: 提出了一种基于深度属性学习的交通标志检测方法。引入了形状，颜色和模式三个视觉属性，在CNN中加入属性学习约束。
Difficulty: 在HSV颜色空间上提取最大稳定极值区域（MSER）以提取交通标志候选区域。
Shortcoming: 交通标志表面图案较为复杂，元素较多时，候选区域提取的性能会有一定的损失。
Result: 有效提高交通标志检测精度和召回率
Link: https://github.com/ZGX010/Signage-object-detection/blob/master/articles/Research%20articles_Chinese/%E5%9F%BA%E4%BA%8E%E6%B7%B1%E5%BA%A6%E5%B1%9E%E6%80%A7%E5%AD%A6%E4%B9%A0%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B_%E7%8E%8B%E6%96%B9%E7%9F%B3.pdf
Thumbnail:
