交通标志包含了丰富的路况信息,能够指导驾驶者安全驾驶,通过计算机视觉技术准确快速地将交通标志识别出来,对实现高级辅助驾驶系统和自动驾驶具有重要意义。然而自然环境中的交通标志所处场景复杂,通过摄像头获取的交通标志图像容易受到光照条件、行驶速度、拍摄角度等因素的影响,这给交通标志的识别带来了巨大的困难。基于手工设计特征与传统机器学习结合的识别算法适应性较差、扩展性不强,如何设计更加鲁棒的识别算法是当前亟待解决的问题。目前卷积神经网络在目标检测和图像分类领域取得了重大的成果,本文将卷积神经网络应用到交通标志识别领域,提出了一种交通标志识别算法,该算法将识别任务分为检测和分类两个阶段,具体内容如下:(1)在检测阶段,首先在德国交通标志检测数据集(GTSDB)上对YOLOv3进行训练,通过模型选择和测试得到了本文所得查全率最高的检测模型,即漏检最少。然后对比了YOLOv3和YOLOv3-tiny在GTSDB上的性能表现,提出采用YOLOv3-tiny的特征提取网络替换YOLOv3的特征提取网络来使模型复杂度适中,以期望能权衡检测精度和检测速度。最后在GTSDB测试集上进行了实验,实现结果表明所提出的模型查全率只下降2.2%,而检测速度提升为YOLOv3的2.25倍。(2)在分类阶段,针对现有复杂度高的问题,设计了一种简单高效的分类模型。该模型通过跳跃连接融合低层特征和高层特征,采用不同大小的非对称卷积核在多个分支上对输入进行卷积运算。且采用Dropout来减小过拟合,采用Batch Normalization来加速训练,采用全局平均池化来减小模型参数量。最后在GTSRB测试集上进行了实验,实现结果表明所设计的模型达到了99.41%的准确率,且模型参数量小,识别速度快,模型复杂度低。(3)在实现交通标志识别算法时,提出交通标志ROI比例判断和交通标志所属类别逻辑判断来减少检测过程中的误检。分别基于YOLOv3检测模型和分类模型实现了交通标志识别算法YOLOv3-R,基于YOLOv3-I检测模型和分类模型实现了交通标志识别算法YOLOv3-I-R。通过实验验证了两个算法在识别性能和识别速度上各有优势,在实际应用时可以按需求进行选择。最后为了直观地可视化识别结果,本文在Ubuntu下基于PyQt5用Python语言为识别算法设计了界面。