伴随着21世纪快速发展的经济形势,汽车成为了日常出行的交通工具,人们追求能否在安全和快捷的道路环境下出行,因此智能交通系统(Intelligent transportation system,ITS)应运而生。交通标志是用文字和图像符号向车辆、行人传递指示、指路、警示、禁令等信息。交通标志的作用包括:引导驾驶人员安全行驶、调节道路上车辆流量等。对行人和其他非机动车辆也具有调节和控制功能,对道路顺畅通行具有重要意义。能否正确检测与识别交通标志是实现智能交通系统的关键。由于自然道路场景中的交通标志长期暴露在野外,容易受到恶劣天气、树木遮挡、光照折射等因素的影响,给检测与识别带来一定难度。而智能交通系统对交通信息的实时性、准确性和鲁棒性要求较高,所以在考虑算法实际运行速度的同时,还应当考虑算法的鲁棒性,这对交通标志检测识别算法提出了更高的要求。本文对自然道路场景中交通标志检测识别容易受到的干扰因素开展了相关研究。结合国内外相关理论的研究成果,提出了基于多尺度残差的交通标志去模糊和基于改进RetinaNet的交通标志检测与识别算法。本文的主要工作如下:1.针对深度学习领域都要面临的过拟合或者训练模型时的优化问题,提出了残差网络在图像去模糊领域的应用;为了不增加网络深度的情况下提升网络的特征提取能力,提出了多尺度卷积单元级联的网络结构在图像去模糊的应用;将网络加深又作为模型优化的一个方向。二者相结合,本文将同时考虑网络模型的加深和优化来进一步进行图像的模糊去除。该实验在TT100K交通标志数据集上的实验结果表明,提出的这种基于多尺度残差的图像去模糊算法具有更强的复原能力,对图像及其模糊类型、噪声水平等更具有稳健性,且能够获得更高的峰值信噪比(PSNR)和结构相似度(SSIM)。2.针对交通标志的小目标检测问题,提出了一种基于改进RetinaNet的交通标志检测与识别算法。采用FPN网络可以获得原始图像不同尺度的信息,从而有利于检测不同尺度的交通标志;将高层语义信息和低层的特征信息相结合来检测小目标的交通标志,提高了小目标的检测精度;将Focal Loss损失函数应用到交通标志检测任务中来,可以解决比较相似的交通标志的难分类问题。该实验在Tsinghua-Tencent-100K数据集上训练,并在实际场景下的交通标志进行测试。实验结果表明,在平均检测精度不损失的基础上,该模型的收敛时间降低了17.6%。图[26]表[8]参[51]