交通标志智能检测方法作为智慧交通领域内关键技术,在无人驾驶及高精度地图构建过程中起到关键作用。在无人驾驶环节,交通标志智能检测快速准确的获取前方交通标志信息并传递给后续分析层,为车路径规划、驾驶行为决策等层级提供数据支撑。在高精度地图构建过程中,交通标志智能化检测方法从海量的街景图像数据中快速精准的筛选出交通标志牌的位置及类别,是快速生产高精度地图的必要环节。实际道路场景复杂多变,所拍摄的交通标志受光照、天气、拍摄角度等因素影响而产生颜色形态方面变化,同时道路场景中的相似物体也会干扰交通标志的正确检出。为了保证后续层级的可靠性,还要在尽可能远的距离条件下完成标志的检出。为了解决以上问题,针对道路交通标志智能检测相关方法展开研究,提出了基于回归的交通标志检测模型ACB-FPN-Net。该模型对远距离条件下较小的尺寸交通标志有着很好的检测精度和速度,并且在不同复杂程度的场景中拥有很好的泛化能力。使用改进的K-means++模型对模型检测过程中需要的锚点框进行聚类,并在现有数据集的基础上对其进行了数据扩充和数据增强。针对现有车载硬件的运算能力有限,不能很好支持交通标志检测模型流畅运行的问题,设计提出了轻量级交通标志检测模型MG-Net。同时,基于两种检测模型开发了交通标志检测与数据管理平台。本文的主要研究内容包括以下几个方面。(1)基于回归的交通标志检测方法研究。针对目标检测模型在道路交通场景下对小目标检测精度较低,且在不同场景下泛化能力较差等问题,构建了基于回归的交通标志智能检测模型ACB-FPN-Net。ACB-FPN-Net由特征提取网络和多尺度特征预测模块组成,首先使用全卷积网络结构和非对称卷积组构建了模型的特征提取网络,然后采用上采样和特征图拼接的方式建立了多尺度特征检测模块。提出了改进的kmeans++算法实现了锚点框的精准聚类。针对目前开源数据集中交通标志个数较少、目标风格单一等问题,利用自主研发的移动道路数据测量平台收集不同场景下的交通标志图像来扩充现有开源数据集,并采取多种手段对数据集进行了样本增强处理,提高了训练后模型的检测精度与泛化能力。使用不同复杂程度的实际场景图像测试了模型对小目标的检测能力以及模型的泛化能力,并与同类型的目标检测模型对比,通过由检测精度、检测速度组成的评价体系对模型的综合性能进行评价。结果表明,所提出ACB-FPN-Net交通标志检测模型在能够达到88.9%mAP的检测精度,比SSD和YOLOv3模型分别提高了37.8%、17.5%,同时在测试环境中的检测速度可以达到31FPS,达到实时检测的标准。通过在不同的场景的测试,证明了模型拥有很好的泛化能力和对小目标的检测能力,在精度、速度以及泛化能力方面表现出卓越的性能。(2)适用于低功耗场景下的轻量化交通标志检测模型研究。为满足移动式低功耗车载平台进行交通标志超快速检测的需求,构建了轻量级交通标志检测模型MGNet。使用深度可分离卷积层构建特征提取层,让网络在有限计算量前提下保持一定的深度和提取能力。使用分组卷积进一步降低特征提取过程中的计算量,并通过通道混排来恢复分组后的特征通道间的通信能力,保证了后续层次中特征提取的有效性。使用最大池化和1x1卷积核组成特征下采样模块,通过与特征提取层的叠加,构建了轻量级的特征提取网络。构建了双层多尺度检测网络,对不同尺寸目标进行位置检测和分类,并且在多尺度检测网络中添加了跨层连接通道来增强特征的复用性,构建语义更为丰富的特征图进行预测。在低压CPU和小型移动GPU组成的低功耗平台上对模型进行测试,并通过检测精度、速度、训练后模型权重大小等指标,并对比同类型轻量级检测模型,对模型的综合性能进行了评价。结果表明,模型在测试集上的检测精度的mAP达到65.8%,与MobileNet-SSD和TinyYolo3相比分别提高了27.7%和12.6%。在低功耗硬件平台上可以达到37FPS的检测速度,满足超快速检测的需求。训练后模型权重的大小仅有21.58MB,比MobileNet-SSD和TinyYolo3模型缩小了60.2%和38.1%,适合部署在低功耗、内存小的车载硬件环境中运行下。(3)交通标志检测及数据管理平台的设计与实现。在研究交通标志检测模型的基础上,实现了交通标志检测与数据管理平台。根据不同的应用场景,能够实现实时道路街景数据的采集、数据预处理、基于云端部署模型的交通标志检测,基于本地轻量级模型的交通标志检测以及检测结果的存储与管理。并通过自主研发的移动道路平台,在实际场景中对平台各项功能进行了测试,并取得了良好的效果。