随着科技的发展,人们拥有汽车的数量快速增长,交通拥堵已经成为许多城市的常见现象,导致交通安全问题日益严重,造成社会巨大损失。在这种情况下,无人驾驶在第十三届两会期间被多人提到,并且工信部部长苗圩也提到随着5G网络的到来,无人驾驶将来也会进入人们的日常生活之中。交通标志图像检测与识别是无人驾驶系统的重要组成部分,它通过识别道路上的交通标志来帮助司机或自主驾驶车辆。那么如何快速准确地检测和识别自然场景中的交通标志,还需要深入的讨论和研究。本文针对交通标志图像在感兴趣区域生成部分所需时间长而导致检测时间长的问题。本文给出了一种基于Faster R-CNN方法,该方法可以通过区域生成网络(Region Proposal Network,RPN)快速提取感兴趣区域,并使用快速卷积神经网络对RPN网络提取的感兴趣区域进行特征学习,之后通过RPN网络和快速卷积神经网络(Fast R-CNN)两个网络卷积层特征共享,从而达到快速有效的检测。在训练网络模型时,使用GTSDB数据集对RPN网络和Fast R-CNN网络进行参数调整。为了验证基于Faster R-CNN的交通标志图像检测方法的有效性,本文采用基于Caffe平台搭建Faster R-CNN网络模型,编程语言为python,最终结果与经典方法相比,本文给出的交通标志图像检测方法要更加智能。针对交通标志图像在人工设计来提取图像特征而不能充分反映原始图像特征所导致的识别率低的问题。本文给出了一种基于改进的卷积神经网络方法,该方法可以自动提取图像的原始特征,将图像以像素矩阵的形式输入到网络中,经过信号前向传播和误差反向传播过程对网络进行训练。在训练阶段,使用GTSRB数据集进行训练,使网络对各种情况下的图像进行学习,当损失函数最小时完成训练,同时保存网络参数。在测试阶段,直接使用训练好的网络对交通标志图像进行识别。为了使网络有更好的效果,本文对网络模型进行了如下改进:1.将卷积层与池化层组合修改为输入层-卷积层-卷积层-池化层-卷积层-卷积层-池化层,使特征得到充分提取;2.将激活函数Sigmoid改为ReLU,为了有效的传递梯度;3.在池化层使用最大池化(Max Pooling)方法代替平均池化(Mean Pooling)方法;4.在全连接层之后加入Dropout操作,为了防止网络出现过拟合。为了快速有效的实现设计的网络,本文使用python语言在深度学习平台Tensorflow上实现,最终识别率达到96%。与改进前的卷积神经网络相比较,本方法有很大提高。