1.一种基于YOLOv3改进的交通标志检测与识别方法，其特征在于，包括以下步骤：(1)获取和标注交通标志图像数据集，作为训练集；

(2)构建YOLOv3改进网络模型；

(3)通过训练集对所述的YOLOv3改进网络模型进行训练；

(4)通过训练好的YOLOv3改进网络模型对待测交通标志图像进行检查与识别。

2.根据权利要求1所述的基于YOLOv3改进的交通标志检测与识别方法，其特征在于，采用CTSD数据集作为训练集，将CTSD数据集的格式修改为符合YOLO网络的输入格式。

3.根据权利要求1所述的基于YOLOv3改进的交通标志检测与识别方法，其特征在于，步骤(2)中包括：将YOLO网络模型原有的Darknet53网络替换为Mobilenetv2网络；从Mobilenetv2网络中提取三层特征图，通过Inv_res2net_block对三层特征图进一步提取特征，然后进行上采样与原有特征进行融合，作为新的候选特征；再使用NAS-FPN结构对新的候选特征进行进一步的特征融合；

采用GIoU改进损失函数。

4.根据权利要求3所述的基于YOLOv3改进的交通标志检测与识别方法，其特征在于，步骤(2)中包括：步骤(2)中包括：

(2-1)将YOLO网络模型原有的Darknet53网络替换为Mobilenetv2网络；

(2-2)依次从MobilenetV2结构中提取下采样倍数分别为8、16、32的特征图：Route_1、Route_2和Route_3；使用Inv_res2net_block从Route_1、Route_2和Route_3中进一步特征提取，再进行上采样操作，获得融合后的特征C3、C4和C5；

(2-3)对特征C5进行卷积操作后，获得特征C6和C7；

(2-4)将特征C3、C4、C5、C6和C7作为输入，通过NAS-FPN结构进行更深层次的融合，选取对应着下采样倍数为8、16、32的特征图p3、p4和p5作为预测的输出；

(2-5)采用GIoU损失替换YOLO网络模型原有的定位损失函数；

IoU表达式为：

GIoU表达式为：

其中：A、B为任意凸形，C为可以包含A、B在内的最小的封闭形状；

GIoU损失表达式为：

LGIoU＝1-GIoU。

5.根据权利要求4所述的基于YOLOv3改进的交通标志检测与识别方法，其特征在于，步骤(2-4)中，通过NAS-FPN结构进行更深层次的融合，选择13×13、26×26、52×52作为三个输出特征图；网络重复次数设置为7。

6.根据权利要求1～5任一项所述的基于YOLOv3改进的交通标志检测与识别方法，其特征在于，步骤(2)还包括：采用k-means++算法对训练集数据的标注信息进行聚类，获得所需的anchor值。

7.根据权利要求1所述的基于YOLOv3改进的交通标志检测与识别方法，其特征在于，步骤(3)中，采用momentum动量算法进行训练，同时采用warm up策略防止梯度爆炸。

8.根据权利要求1或7所述的基于YOLOv3改进的交通标志检测与识别方法，其特征在于，步骤(3)中，采用多尺度训练策略以及mix up和/或randomcrop数据增强方法进行训练。