交通标志检测是自动驾驶和辅助驾驶中使用的核心技术之一,也是近年来学术界研究的热门领域。交通标志检测通过环境感知设备来收集车辆周边路况及交通标志信息,然后传送给系统作判断,从而自动或辅助驾驶员排除可能出现的险情,减少交通事故的发生。但由于交通标志自身较小的特点以及实际交通场景中数据不可避免地受到光照和遮挡的影响,想要实现准确地检测仍存在一定的困难。同时交通标志检测对于检测模型的计算参数和检测时间也有要求。本文围绕以上问题,做了如下工作:针对实际交通场景中交通标志特征较小,容易受到光照和遮挡影响的问题。以YOLOv3模型为基础,提出了一种结合注意力机制和多特征融合的交通标志检测算法GYOLOv3。首先,将经过注意力机制权值再标定的浅层特征图与深层特征图融合,提高浅层细节信息的利用率。其次,除去大目标检测层,增加逆向特征融合路径,设计了三尺度预测模块。最后,引入预测目标置信度对损失函数进行改进,从而提升小目标交通标志的特征突显力。通过公开数据集实验验证了所提算法的有效性,表明了所提算法对实际交通场景中特征较小,受光照和遮挡影响较大的交通标志的检测效果具有一定提升。针对交通标志检测对于模型的计算参数和检测时间有要求的问题。以GYOLOv3模型为基础,提出了一种基于密集连接网络的交通标志检测算法LGYOLOv3。首先,引入改进的MobileNet深度可分离卷积对原网络进行压缩。然后,设计了残差密集连接结构,充分复用各残差层的特征信息,降低了压缩计算参数带来的精度下降影响。最后,通过公开数据集实验验证,结果表明所提算法在检测平均精度少量降低的情况下,一定程度减少了算法的计算复杂度,验证了所提算法的有效性,表明所提算法具有更少的计算参数和更快的检测速度。基于PyQt5软件包设计了一款可以快速检测交通标志的检测系统。使用Python语言与QT框架,将权重选择、模型初始化、识别功能与图形用户界面里的控制件绑定,使得系统操作简单方便。