交通标志牌是道路交通为驾驶者提供的风向标,保障了城市交通的流畅运行。随着人工智能技术与智能交通的结合日趋紧密,交通标志牌的检测与识别逐渐成为了计算机视觉领域中的热门问题。主要应用在智能交通、自动驾驶、辅助驾驶等具体的交通场景。通过机器识别视频流中出现的交通标志牌来提醒驾驶者,为其预留足够的反应时间来控制汽车规避风险,正确行驶。近年来,基于GPU计算的深度学习目标检测模型在识别准确度与检测速度上的大幅度提升,越来越多的科研工作者将交通标志牌的检测与识别功能转移到轻便小巧的嵌入式设备上,旨在设计一种脱离PC机以及云端的交通标志识别设备,解决因网络延迟与硬件体积过大所带来的问题。本文研究并设计了一种基于嵌入式的交通标志牌检测与识别系统,主要的研究内容如下:1.本文对目标检测领域常用的图像处理算法和目标检测算法进行了原理分析和特性对比,凸显了深度学习算法检测精度高、速度快、泛用能力强等优点,为后续研究建立了理论基础;本文独立建立了交通标志牌数据集,包含15000多张真实交通场景以及每张图像的标注信息。2.系统的实现方案上,本文选用基于直接回归法的YOLOv3目标检测的模型,兼顾了识别准确率与识别速度的平衡。为改善模型对小目标召回率低,漏检率高的问题,本文对YOLOv3模型进行改进:采用高斯聚类算法代替k_means聚类算法进行Anchor Boxes的选取,提高预选框的IOU参数;模型内部增加1*1卷积核拓展模型深度,增强模型的非线性表达能力;配合SSD多尺度扩大检测特征谱,增强模型对细节特征的提取能力。实验结果表明,经过改进的YOLOv3模型对交通标志牌的检测精度mAP达到了0.9057,相比未修改的模型提升3.8%。3.为了适应于嵌入式平台的移植,本文在改进的模型基础上,采用深度可分离卷积的方法进行模型轻量化,在不降低检测精度的前提下,使实际检测速度从小于1FPS加快到5FPS。本文再通过GStreamer视频编解码组件与TensorRT推理优化器进一步提升模型在硬件平台上的检测速度,从5FPS提升至15FPS,能够较流畅处理各种实际交通情况。本文在实现交通标志牌的检测模型之后,考虑了实际的交通状况的复杂程度,分别在多个交通标志牌存在,汽车高速公路行驶视野,交通状况较为复杂,交通标志牌被遮挡的四种情形下进行了实地模型测试。发现在较差的视野环境中模型存在小目标漏检,标志框少量重复情况。但是在视野状况较好的情形下,模型能基本上检测出目标物,并且对遮挡住的目标有一定的鲁棒性。