交通标志的检测与识别是无人驾驶系统与智能交通系统中必不可少的一个重要环节，具有很高的研究与应用价值。经过长时间的研究与努力，该领域已经取得丰硕的成果。现阶段，目标检测模型在深度学习的带领下，速度和准确度都有较大提升，但是在智能交通系统中通常捕获的是全景图像，交通标志的尺寸在图像中占比较小，并且边缘特征不明显，系统不能对交通标志进行有效的检测与识别，而且也无法达到实时检测识别的效果。
　　针对这些问题，本文研究了基于深度学习的交通标志实时检测与识别算法。主要提出一种大分辨率图片中小目标检测识别的方法，并将其应用于全景图片中交通标志的实时检测识别，取得了预期的效果。主要做出了以下贡献：
　　1、提出一种大分辨率图像的数据预处理方法，使大分辨率图像按目标中心所在的网格进行多次切割，并且缩放一定比例进行相同的切割操作，最终组成高清和低高清两个数据集，不但保留了图像原来的像素分布，达到无失真效果，而且也对目标数据集进行了数据增强。
　　2、本文主要以YOLOv3-Tiny作为基础网络，综合交并比(Intersection-over-Union，IoU)与步长之间的关系、网络多尺度训练和图像特征重组等多方面考虑，设计了表现力更强的TSNet(TrafficSignsNetwork)网络模型。在边框预测阶段，使用K-Means聚类方法得到9个不同长宽比的聚类中心候选框。在TSNet网络的训练阶段，先用高清数据集对其进行预训练，再用低高清数据集进行微调网络权重，学习率随迭代次数增加而减小，实验表明训练出来的TSNet网络有很好的表现效果，且实时性强。
　　3、在网络测试阶段，测试数据集进行缩放处理后，引入滑动窗口算法，然后送入训练好的TSNet网络，在处理由网络产生的大量重叠候选框结果的问题上，对非极大值抑制NMS算法进行改进，提出了删除候选框子集的DS-NMS(DeleteSubsets–NonmaximumSuppression)算法，确保最终的候选框的唯一性，且IoU分数最高。实验结果表明，此方法可行且有效。
　　综上所述，通过对实验结果的比较与分析，该方法提高了大分辨率图像下交通标志的识别精度，检测与识别的速度也大大提高至实时水平，达到预期要求。