随着智能驾驶的发展,交通标志检测和识别成为车辆智能技术的重要功能之一。交通标志检测效果因受到现实交通场景的复杂性如光照条件、遮挡等因素影响,以及车辆行驶中检测的高准确率和实时性要求,给交通标志检测技术研究带来较大难度。传统的交通标志检测算法主要采用人工设计特征来获得目标候选区,检测过程运算数据量大,很难实现实时道路行驶检测。基于卷积神经网络的目标检测可自动提取特征、运算量小、能对多种类别目标进行检测,为交通标志检测带来新的技术。本文提出了针对于中国交通标志检测的改进深度卷积神经网络模型算法。主要研究内容如下:首先,针对中国交通标志数据集的匮乏问题,建立符合中国交通道路实情的交通标志数据集。采用区域裁剪、直方图均衡化、尺寸归一化和图像对比度增强,对图像预处理,加入BM3D(Block Matching 3D)去噪算法进行去噪,降低实景环境中对图像质量的影响,获得高品质图像,并通过实验验证预处理方法的有效性和正确性。其次,基于YOLOv2(You Only Look Once v2)算法及卷积神经网络,实现检测精度的显著提高。针对其对于小型的目标检测精度不高,对原网络的损失函数,采用归一化以及根据各部分损失情况给定权重值,提高对小目标的关注度;再在YOLOv2网络结构中摒弃4层的3×3卷积,加入一层1×1卷积,减少网络参数,降低运算时间,提高算法的检测速度;引入多尺度特征融合,将高层次的特征融合到低层次特征图,提高对小目标检测的召回率。最后,搭建智能交通标志检测平台,完成检测实验。以Tensorflow为框架,根据所改进的检测算法,通过建立的N-CTSD(New-Chinese Traffic Sign Detection)中国交通标志数据集,进行检测实验。检测结果表明,改进的模型在N-CTSD数据集上mAP和FPS分别为84%和52 FPS,相对于原始模型分别提高5%和6 FPS,并且在GTSDB(German Traffic Sign Detection Benchmark)上面进行测试,验证模型的鲁棒性,mAP和FPS为83%和51FPS,分别提高7%和6 FPS。研究对提高交通标志检测准确率和实时性具有重要意义,对智能驾驶技术发展具有重要的推动作用。