道路交通标志识别是智能驾驶领域中一个重要研究方向。行车时,交通标志检测系统实时采集道路图像并且回传路况信息,快速且精准地检测出前方的交通标志可以帮助驾驶者及时判断当前路段交通状况。在现实场景中,采集到的交通标志会被广告牌、树木等遮拦,导致图像采集的质量较低。此外,当行车过快,交通标志图标只占整个图像较少的像素点,导致特征信息难以被完整提取。以上问题都增加了道路交通标志的检测难度。针对以上问题,本文做如下工作:第一,提出了一种基于轻量型的YOLOv5s模型的交通标志检测的方法。该方法在输入端采用Mosaic数据增强和自适应锚框计算,提高了YOLOv5s对小目标交通标志的检测速度;同时该方法采用leaky Re LU激活函数代替YOLOv4复杂度较高的mish激活函数,从而大大缩短模型训练时间。通过在CCTSDB数据集上的实验分析表明,本文所提出的方法在检测平均精度上低于YOLOv4模型的91.22%,为81.38%。但在检测速度与训练时间上均优于YOLOv4模型。YOLOv5s模型的检测速度高达130FPS,远高于YOLOv4的40FPS;YOLOv5s模型的训练时间相比于YOLOv4缩短了很多。总之,YOLOv5s在检测精度上不如YOLOv4,但在灵活性和检测速度上优于YOLOv4,因此YOLOv5s更适合用于实际高速驾驶场景下的实时交通标志识别。第二,针对YOLOv5s检测精度较低问题,提出了一种基于YOLOv5s改进的交通标志检测模型。该模型通过在SPP模块引入Concat连接,减少了特征图信息的丢失,提高了特征表达能力;同时该模型在主干网络中引入坐标注意力机制,增大了网络的感受域,提高了交通标志识别的检测精度。通过在CCTSDB数据集上的实验分析表明,改进的YOLOv5s模型识别平均精度为91.78%,比原YOLOv5s提高10.4%。同时改进后的YOLOv5s模型能有效识别小目标、密集和被遮挡的交通标志,检测稳定性更强。更适用于复杂环境下的高速交通标志识别。