交通标志识别是无人驾驶感知系统的一个关键组成部分。目前对于交通标志识别的研究是通过摄像头实时采集车辆行驶中的图像,再通过多种图像处理技术对图像中的交通标志进行检测识别。由于真实交通场景受外部环境影响严重,且对于实际应用而言又要求较高的检测速度和识别准确率。因此,对于交通标志识别的研究从理论到实际应用都具有重要的意义。近年来深度学习在图像处理领域蓬勃发展,这为交通标志识别提供了一种新的思路。本文基于深度学习方法处理交通标志识别难点问题,并进一步在嵌入式设备上完成交通标志识别系统的实现。主要研究内容包括以下几个方面:本文研究了复杂场景下的交通标志识别难题。常用数据集中的图像大多采集自简单场景,该场景下交通标志具有较高的质量,但真实交通场景下的交通标志很容易受外部环境影响,如部分遮挡、模糊、恶劣天气等,致使对交通标志的识别存在较大的漏检和误检。为使模型能够更好地适应现实交通场景中的复杂情况,本文提出了3种有效的数据增强方法。实验分析应用本文数据增强方法训练得到的模型具有更高的检测精度89.3%,高于原始模型77.7%,验证了本文针对复杂交通场景图像增强方法的有效性和可行性。本文采用深度学习方法进行交通标志识别的研究。首先使用K-means算法对CCTSDB中的边界框重新聚类,进而训练得到YOLOv4基准模型;其次,针对交通标志识别系统的嵌入式实现,为了满足实时性需求,提出基于通道数缩放的模型压缩方法,对YOLOv4基准模型进行压缩,减小模型体积,加快模型运行速度。使用本文提出的模型压缩方法,在极限条件下模型尺寸缩减为基准模型的1/63,所需存储空间从245MB缩减为3.9MB,此时模型仍可以达到77.6%的识别准确率。本文选取腾讯优图的Vision Seed嵌入式平台作为系统实现硬件平台,在其上部署交通标志识别模型,完成交通标志识别系统的设计实现。首先进行模型格式转换,将Darknet模型格式转换为Vision Seed支持的格式,接着通过调用NCAPI并加载模型参数配置文件完成交通标志识别模型的部署,最后对该系统进行实际测试。结果表明,该系统实时运行速度满足30 FPS的需求,且能准确地识别出道路场景中的交通标志。