随着汽车的普及,辅助驾驶技术渐渐地受到了广泛关注。辅助驾驶技术可以获取当前路况信息,提醒驾驶者需要注意的交通路况,帮助驾驶者规避发生车祸的风险。为了正确快速的感知道路情况,获取交通标志牌的信息是必不可少的。传统的交通标志检测算法有诸多限制,对自然环境下车辆行驶中的交通标志检测效果不佳。本文是基于区域推荐网络的深度学习目标检测模型,在非限定性条件下对交通标志进行检测,更适合用于自然场景下的辅助驾驶技术。本文首先从交通标志数据集入手,针对国内缺少统一的交通标志数据集问题,在非限定性条件下采集了交通标志图像,制作了数据集并进行了预处理和扩充。本文制作的数据集都是在非限定性的条件下拍摄的,背景复杂多变,更符合实际情况。其次本文从模型检测准确度和检测速度两个方面进行研究。为了提高模型的准确度,通过对特征提取网络的对比分析,选择了对交通标志提取能力更好的VGG-16网络,作为本文的特征提取网络。并在此基础上,使用K-Means++聚类算法对数据集中的人工标注框进行了聚类分析,根据聚类结果选择出最合适的锚框个数和尺寸,提高了网络准确度。为了解决对面积占比较小的交通标志容易出现漏检的问题,本文提出了多层特征融合策略。通过合并特征提取网络中的第三层和第五层的卷积特征,既保留了网络对图像整体信息的表达能力,又增加了图像的细节特征,有效的解决了小交通标志的漏检问题。通过以上方法有效的提高了交通标志检测模型的准确度。在缩短模型检测时间上,本文使用了深度可分离卷积对模型进行压缩,对卷积核进行分离操作。在不影响模型准确度的情况下,有效的降低了模型的参数量,缩短了模型的检测时间。通过本文研究,从模型的准确度和检测时间两个方面着手,在不增加模型检测时间的基础上有效的提高了模型的准确度。使得最终的检测模型可以应用于非限定性条件下的交通标志识别和检测,不会受到多变的天气、复杂的背景、路牌的损坏以及其他因素的影响。图 [47] 表 [6] 参 [81]