经济与科技发展的日新月异,近几年来自动驾驶技术成为国内外研究的热点。其中交通标志检测是自动驾驶核心技术之一;交通标志识别不仅能提高道路通行能力,预示道路状况,同时能减少交通事故,节约能源。因此,快速可靠的交通标志识别系统成为自动驾驶系统中至关重要的组成部分,然而真实环境中道路场景复杂多变,现有的交通标志检测与识别方法在实时性和准确性上仍具有提升空间。自从Alex Net在Image Net Challenge:ILSVRC 2012上取得破纪录的图像分类度以来,卷积神经网络已经在计算机视觉中无处不在,构建更深、更大的卷积神经网络是解决视觉识别任务的主要趋势,然而在许多实际应用中,例如自动驾驶、智能监控等,需要在计算资源有限的平台上实时地进行识别或检测任务,尤其边缘计算的提出及发展,使得这种需求更加迫切。本文在对基于深度学习的目标检测主流架构及相关子问题进行充分调研的基础上,分析了现有技术在理论算法和应用中的问题并做出了相应研究及改进,研究工作主要针对构建轻量、高效的目标检测网络,主要包括以下几个方面:1.改进的深度可分离卷积单元:引入分组卷积的思想将标准的深度可分离卷积中1x1卷积替换成分组卷积。通过使每个卷积只对相应的输入信道组进行运算,从而减少卷积层中参数的数量。同时在分组卷积后采用Leaky Re LU作为激活函数,在MNIST数据集上的对比测试表明,Leaky Re LU的性能要优于Re LU,尤其当网络较深时,这种差距会更加明显。2.通道混洗策略:当通道内多个点态组卷积叠加在一起时,会使通道的输出只来自输入通道的一小部分,显然,某个组的输出只与组内的输入相关。因此单单在深度可分离卷积引入分组卷积此会降低通道之间的信息流通性并削弱表示。采用通道混洗的策略,允许组卷积得到来自不同组的输入数据,使输入和输出完全相关。3.改进的快捷连接:本文是基于Res Net的恒等快捷连接单元的基础上构建的特征提取网络,不同的是本文在快捷路径上添加一个3×3的平均池化;同时以通道级联代替元素级联,方便了通道维数的放大,使额外的计算成本很小。4.构建道路交通标志检测框架:将改进的深度可分离卷积单元应用到Faster-RCNN预测层中的标准卷积,并以本文构建的特征提取网络替换原有的特征提取网络,组成新的目标检测框架。基于以上研究,本文设计了一种轻量化的目标检测网络,并在Image Net2012及自有的交通标志数据集上对网络性能做了对比测试。实验结果表明,本文网络模型与当前主流网络模型相比具有可比的识别精度和识别速度,尤其在计算资源极其受限的情况下优势更加明显。