近年来,随着人工智能领域的研究突破,汽车的辅助驾驶系统的推出改变了以往的驾驶模式。系统通过获取实时的路况信息,及时地提醒驾驶员做出准确的操作,从而防止因疲劳驾驶而导致车祸发生。交通标志是重要的路况信息,如何快速准确地识别交通标志牌至关重要。然而传统的目标检测算法在实景测试中面临着一些弊端,例如:易受光线、角度、障碍物遮挡、行车速度等因素限制,而且难以实现多目标检测、容易漏检、识别慢。本文面向交通标志实时准确识别的需要采取了针对性的研究和开发,主要工作如下:(1)鉴于国内交通标志的研究样本较少,选择了数据集较为完整的CCTSDB数据集,并对CCTSDB进行了预处理和扩充。标注数据有三大类:指示标志、禁止标志、警告标志。常见的交通标志均已包含,图片所选环境的复杂程度符合实际情况。(2)首先利用深度学习网络YOLOv3对CCTSDB做初步训练,在测试中,对于图片的识别上,准确率均到达98%以上,识别所需时间为0.03s左右。可见利用YOLOv3可以进行实时检测识别。然而,在视频识别上,对于远处小目标容易出现漏检,甚至是错检。针对这一问题,本文对yolo层下的anchor值做了聚类分析,结合了实验数据集的ground truth的坐标参数,并修改了网络参数。测试结果表明,优化后的YOLOv3对于小目标的空间定位上性能得到了改善,识别效果提高。(3)为了满足实际应用需求,便于嵌入式的移植,本文对YOLOv3模型进行轻量化处理,以YOLOv3-tiny框架为模板,减少网络层数以降低计算复杂度。在开发板的选取上,本文采用的是英伟达公司的嵌入式AI开发套件Jetson Nano。其优势在于它支持NVIDIA JetPack,可以并行运行多个神经网络对图像分类,目标检测,分割和语音处理等应用。此外搭载了树莓派的CSI摄像头。测试结果表明,对于图片样本的识别所需时间为0.1s左右,现场实时识别帧数可达15fps,基本满足实时检测的条件。