交通标志检测与识别是高级辅助驾驶的关键技术之一,准确的获取前方道路交通标志信息能够为驾驶人员或智能车辆执行动作提供决策支持,降低交通事故发生的概率。本文在分析研究国内外交通标志检测与识别技术的基础上,基于深度卷积神经网络架构,提出了一种基于共享卷积神经网络的交通标志检测与识别方法,并对其进行了算法测试及对比分析。论文主要的研究工作如下:(1)提出了一种基于改进区域建议网络(RPN)的交通标志检测方法。首先,通过残差卷积神经网络(ResNet)对输入图像进行卷积操作,得到卷积特征图;其次,为了检测不同尺度的交通标志,设置基于输入图像的16?16、32?32、64?64、128?128、256?256五种锚点窗口;然后,将锚点窗口在最后一层卷积特征图上进行卷积操作,得到固定维数的特征向量;最后,通过两个全连接层输出交通标志候选区域和边框位置参数。本算法能够有效地提高不同尺度交通标志检测的鲁棒性。(2)提出了一种基于改进空间金字塔池化网络(SPPNet)的多尺度交通标志识别方法。首先,将交通标志检测方法中得到的不同尺度的交通标志候选区域映射到ResNet卷积神经网络中,得到不同大小的卷积特征图;然后,利用SPP层将不同大小的卷积特征图池化到固定大小输出,得到固定长度的特征向量;最后,通过两个全连接层输出交通标志类型判定和边框位置参数。本算法能够有效地解决交通标志识别任务中多尺度输入的问题。(3)实现了一种交通标志检测与识别软件系统。以本文提出的交通标志检测与识别算法为基础,搭建基于Windows平台的交通标志检测与识别软件系统,系统主要包括图像采集与预处理模块、网络模型训练模块和交通标志检测与识别模块。通过对西安市道路的真实场景数据采集,实现该软件系统的性能测试。测试结果表明,本系统能够准确检测前方道路的交通标志区域,并记录交通标志的识别类型和时间。针对本文提出的基于共享卷积神经网络的交通标志检测与识别算法,采用德国交通标志检测数据集(GTSDB)进行算法测试和性能分析,结果表明采用本文算法对测试集中的43类交通标志都有较好的识别结果,可以达到95%以上的平均识别率。通过对比分析基于Faster RCNN的交通标志检测与识别算法以及基于“SS+AlexNet”的交通标志检测与识别算法,证明了在综合考量时间损耗以及识别精准率的基础上,本文提出的算法明显优于另外两种算法。