V prispevku naslavljamo problem vizualnega zaznavanja prometnih znakov, katerega rešitev bi omogočala razpoznavanje večjega števila znakov in bi se lahko učinkovito aplicirala na prometne znake različnih velikosti in oblik. Za detekcijo predlagamo uporabo sodobnih algoritmov za generiranje potencialno zanimivih regij (ang. region proposal), ki v prvem koraku zmanjšujejo prostor iskanja in v drugem koraku omogočajo uporabo močnejših klasifikatorjev za natančnejšo razpoznavo znakov. V prispevku eksperimentalno ovrednotimo več različnih generatorjev potencialno zanimivih regij na domeni prometnih znakov in za izboljšavo zmogljivosti dodatno predlagamo več različnih adaptacij na specifične domene. Z evaluacijo pokažemo, da je generator zanimivh regij Edge-boxes, ko je adaptiran na specifično domeno z dodatnim učenjem in upoštevanjem značilk oblike, sposoben prekašati ostale generatorje regij na zbirki slik iz German Traffic Sign Database (GTSDB). Nadalje pokažemo, da v primerjavi z ostalimi generatorji metoda dosega višji odstotek detekcij z manjšim številom in istočasno z višje-kakovostnimi predlogi regij. Čeprav so bili predlagani pristopi eksperimentalno ovrednoteni na domeni prometnih znakov, pa so razvite metode povsem neodvisne od te domene in jih je mogoče aplicirati na katerokoli drugo domeno, kot je na primer detekcija avtomobilov ali pešcev.
Prispevek opisuje začetne rezultate raziskav na področju razpoznavanja prometnih znakov, ki smo jih opravili v okviru razvoja sistema za samodejno inventuro obstoječe prometne signalizacije. V ta namen smo se osredotočili na problem razvrščanja specifičnih znakov z linearno metodo podpornih vektorjev ter z metodo ekstremnih učnih strojev; obe metodi sta v literaturi na področju razpoznavanja prometnih znakov relativno zapostavljeni, saj se avtorji raje poslužujejo kompleksnejših in zmogljivejših pristopov. Z obsežno eksperimentalno evaluacijo na dveh standardnih zbirkah za razpoznavanje znakov smo pokazali, da ti relativno preprosti klasifikatorji vseeno dosežejo konkurenčne rezultate. Poleg tega so primerni kot osnova za nadgradnjo v inkrementalne postopke učenja, zaradi česar predstavljajo privlačno izbiro za aplikacije detekcije in razpoznavanja celotne prometne signalizacije.