近年来,依靠计算机视觉与人工智能等汽车相关技术的发展,自动驾驶技术已经呈现出了接近实用化的趋势。利用前端相机采集的图像进行交通标志、车道线、信号灯的检测与识别是自动驾驶的重要研究内容。交通标志检测属于特定目标的检测,不仅具有通用目标检测的难点,同时还会因特殊环境造成交通标志的遮拦、损坏、褪色、变形等;同一类的交通标志在不同时间、天气、角度、光照以及分辨率的情况下会呈现不同的检测效果。实时的交通标志检测作为自动驾驶的重要组成部分,是难度较大的实景目标检测,对于准确性和稳定性也有很高要求。因此,本课题结合目前优秀的网络模块思想以及深度学习目标检测算法,首先研究了基于三尺度嵌套残差结构的交通标志快速检测算法;其次制作了全国首个二次更新的交通标志检测数据集,并制定相关检测指标。其一,智能驾驶对交通标志自动检测的实时性及鲁棒性有着极高要求。目标检测中YOLOv3-tiny检测算法是轻量网络,实时性好,但准确率不高。我们将YOLOv3-tiny检测算法作为基础网络,提出了一种三尺度嵌套残差结构的交通标志快速检测算法。首先,在基础网络上采用逐像素相加的跨层连接,并未增加特征图的通道数,同时网络中形成一个小残差结构。其次,通过同样的跨层连接方式,增加了一条空间分辨率更高的预测输出,使得该尺度输出包含更丰富的空间信息,进而构成大残差结构。最终,将两个残差结构进行嵌套,形成了一个三尺度预测的嵌套残差网络模型,使得Tiny的部分主网络位于这两个残差结构中,起到三次调参的作用。实验结果表明,提出的算法能够快速鲁棒地检测真实场景中的交通标志。其二,针对国内外交通标志检测数据集大多存在着数据量偏小、天气变化不明显、标注信息不全、图像风格单一、部分未公开等问题,在CCTSDB 2017数据集的基础上增加了近8000张图像制作了一个全新的中国交通标志检测数据集——CCTSDB 2020(CSUST Chinese Traffic Sign Detection Benchmark 2020)。该数据集包括一个负样本测试集、两个版本训练集、三种类别区分、四组评估指标、五种目标尺度大小、六种天气属性。CCTSDB 2020数据集共约24000张图像,其中训练数据22000张,测试数据2000张。整个数据集可在网址https://github.com/csust7zhangjm/CCTSDB处免费下载。