The three-dimensional (3-D) geographic locations of street furniture, such as traffic signs, comprise the basic content of 3-D city construction, and such information is indispensable for periodic statistics for road management and maintenance. This article presents a novel solution for acquiring 3-D information on small traffic signs based on mobile mapping system (MMS) data. First, a lightweight backbone network called VGG-L under an optimized faster region-based convolutional neural network detection framework is proposed for the detection of small traffic signs. An urban traffic sign detection (UTSD) dataset is created based on panoramic images obtained from test areas. Detection results from the UTSD dataset show that VGG-L outperforms other popular networks and achieves a mean average precision of 75.4%, which is 4.2%–14.8% higher than those of VGG16, MobileNet, ResNet, and YOLOv3. Second, a novel depth-map-based 3-D spatial geolocation method is proposed for obtaining the 3-D geographic locations of the objects. Then, a center-based method is proposed to automatically extract the final 3-D vector of the target. Experimental results illustrate that the proposed method performs 3-D positioning and vectorization of the milestones and circular and triangular traffic signs, accurately and effectively, achieving greater than 86% recall and precision for the three types of targets in the test areas. The experiments demonstrate that the overall 3-D information acquisition scheme is feasible and has great application potential.

中文翻译：

---

基于深度学习和深度图的小型交通标志检测和 3D 定位方法

交通标志等街道设施的三维（3-D）地理位置构成了3D城市建设的基本内容，这些信息对于道路管理和维护的定期统计是必不可少的。本文提出了一种新的解决方案，用于基于移动地图系统 (MMS) 数据获取小型交通标志的 3D 信息。首先，在优化的基于快速区域的卷积神经网络检测框架下，提出了一种称为 VGG-L 的轻量级骨干网络，用于检测小型交通标志。基于从测试区域获得的全景图像创建城市交通标志检测 (UTSD) 数据集。来自 UTSD 数据集的检测结果表明，VGG-L 优于其他流行网络，平均精度为 75.4%，即 4.2%–14。比 VGG16、MobileNet、ResNet 和 YOLOv3 高 8%。其次，提出了一种新的基于深度图的 3-D 空间地理定位方法来获取对象的 3-D 地理位置。然后，提出了一种基于中心的方法来自动提取目标的最终 3-D 矢量。实验结果表明，所提出的方法对里程碑和圆形和三角形交通标志进行了 3D 定位和矢量化，准确有效，对测试区域中的三类目标实现了大于 86% 的召回率和准确率。实验表明，整体的3D信息获取方案是可行的，具有很大的应用潜力。提出了一种新的基于深度图的 3-D 空间地理定位方法来获取对象的 3-D 地理位置。然后，提出了一种基于中心的方法来自动提取目标的最终 3-D 矢量。实验结果表明，所提出的方法对里程碑和圆形和三角形交通标志进行了 3D 定位和矢量化，准确有效，对测试区域中的三类目标实现了大于 86% 的召回率和准确率。实验表明，整体的3D信息获取方案是可行的，具有很大的应用潜力。提出了一种新的基于深度图的 3-D 空间地理定位方法来获取对象的 3-D 地理位置。然后，提出了一种基于中心的方法来自动提取目标的最终 3-D 矢量。实验结果表明，所提出的方法对里程碑和圆形和三角形交通标志进行了 3D 定位和矢量化，准确有效，对测试区域中的三类目标实现了大于 86% 的召回率和准确率。实验表明，整体的3D信息获取方案是可行的，具有很大的应用潜力。实验结果表明，所提出的方法对里程碑和圆形和三角形交通标志进行了 3D 定位和矢量化，准确有效，对测试区域中的三类目标实现了大于 86% 的召回率和准确率。实验表明，整体的3D信息获取方案是可行的，具有很大的应用潜力。实验结果表明，所提出的方法对里程碑和圆形和三角形交通标志进行了 3D 定位和矢量化，准确有效，对测试区域中的三类目标实现了大于 86% 的召回率和准确率。实验表明，整体的3D信息获取方案是可行的，具有很大的应用潜力。