路标中包含了道路的路况信息和交通法规信息,是机动车驾驶中不可忽略的一个因素。根据路标进行驾驶能够大大地避免安全事故的发生以及避免交通拥堵。由于在图片中越远的目标看上去越小,所以提高微小路标的识别精度能够使驾驶员提前了解前方路况以便安全驾驶车辆。识别微小路标的难点主要有两个方面:一个方面,由于路标大多都是在室外,会出现光照强度不同、遮挡、形变、残缺等问题,不利于识别;另一方面,由于微小路标在整张图片中所占比例很小,并且所占的像素也很少,这就导致其携带的信息量很少,难以提取比较好的特征,这也会给识别带来难度。本文总结了目前国内外现有的识别微小路标的算法并提出了一个基于深度神经网络的微小路标识别算法。该算法分为两个阶段:第一阶段为检测阶段,本文的算法能够将图片的分辨率信息和上下文信息巧妙地融合进神经网络。通过这个网络能够将输入图片中可能是路标的候选区域提取出来,并且为了避免重复计算,本文提出了一种“Type_AB”的模板选择策略。第二阶段为分类阶段,该阶段的主要任务是对在第一阶段中提取出的候选区域进行分类,本文将Inception V3和Xception进行融合并结合投票技术对候选区域进行分类。最后,本文分析了神经网络的深度对检测小路标的影响,并对本文算法的收敛速度进行了分析。在使用TT100K数据集的前提下,本文提出算法的准确率在(0,400]分辨率范围内比Ren、Zhu、Yan等人提出的算法高,在(96,400]分辨率范围内的召回率也比Ren、Zhu、Yan等提出的算法高,在(32,96]、(0,400]分辨率范围内的召回率低于Yan等提出的算法。并且本文提出的算法在TT100K数据集中能够识别出一些人工都没有标注出的路标。