目前减少交通事故频发的热门研究是高级辅助驾驶和无人驾驶,交通标志的智能检测作为自动驾驶的关键技术之一,对实时性要求较高。本文为了平衡交通标志轻量级检测算法的精确率和速度,提高在复杂场景中的适用性。针对交通标志检测这一特定任务,首先构建轻量级检测算法YOLOv4-Mobile Netv2,对CCTSDB数据集进行重建,优化复杂场景的图像增强方法;然后改进基准模型结构;最后开发了交通标志检测系统。具体研究内容如下:针对数据集类别不具体和复杂场景下鲁棒性低的问题,首先对CCTSDB数据集进行重新构建,将原数据集重新标注为pedestrian、no Uturn等21类常见的具体交通标志类别,并实地采集光线昏暗、雨雾天气、遮挡等场景下的交通标志进行标注,扩充数据集,最终构建类别具体、场景多样、样本均衡的细分类数据集fine CCTSDB。然后针对大雾天气、昏暗和遮挡场景进行相应的图像增强以提高模型的鲁棒性,分别利用改进的自适应Gamma算法、轻量级去雾模型AOD-Net、Cut Mix算法进行亮度增强、去雾处理和遮挡场景模拟。最后基于轻量级检测模型YOLOv4-Mobile Netv2的图像增强对比实验表明,使用以上三种图像增强处理后,m AP提升2.21%,有效提高了模型的鲁棒性和泛化能力。针对轻量级模型导致检测精确率下降和深层特征图位置信息丢失严重的问题,本文在保证检测速度的前提下,从主干特征提取网络、特征融合模块、注意力模块方面对网络结构进行改进。首先为了增强不同尺寸交通标志的特征提取效果,同时消弱复杂背景的影响,借鉴Inception网络思想,构建多尺度特征提取模块。其次为了丰富浅层特征图信息,设计增强特征融合模块进一步提取浅层特征。再次,在网络深层引入自适应注意力模块来减少深层特征图中位置信息的丢失,加强不同尺度特征信息的融合效果,最后基于以上改进搭建本文交通标志检测模型。通过消融实验表明,本文提出的改进方案能够不同程度的提高检测的精确率,平衡检测速度和精确率;与其他轻量级检测算法对比和在实际场景检测,验证了本文算法的有效性和实用性。为加速无人驾驶系统建设,考虑到命令行操作较为繁琐,基于上述算法研究,将改进的轻量级检测算法和软件开发技术结合,设计交通标志检测系统,该系统可以实现图片检测、视频检测和实时检测等功能。实验表明,本文构建的交通标志检测系统能在保证速度的同时,准确识别交通标志,实现检测算法与界面程序的松耦合。论文有图61幅,表11个,参考文献81篇。