1.一种基于改进Tiny‑YOLOv4的交通标志检测方法，其特征在于，包括以下步骤：S1、获取交通标志检测的图像训练集和图像验证集；

S2、改进Tiny‑YOLOv4目标检测网络结构，包括：改进特征金字塔网络：改用尺度更大的预测特征层，并对其进行多尺度特征融合，从最深层次的特征图开始，依次将其上采样与上一层特征图进行特征融合，融合深层特征和浅层特征；

改进主干特征提取网络：引入跨阶段局部网络和空间金字塔池化，用跨阶段局部网络替换原网络的第二层，将空间金字塔池化加入到主干特征提取网络的最后一层卷积层前，最后将主干特征提取网络的最后一层卷积层的卷积核大小由3×3大小改为1×1大小；

S3、使用聚类算法对图像训练集和图像验证集进行聚类分析，得到适合的anchor框尺寸；

S4、利用图像训练集和图像验证集，对改进后的Tiny‑YOLOv4目标检测网络进行训练；

S5、利用训练后的改进Tiny‑YOLOv4进行交通标志检测。

2.根据权利要求1所述的基于改进Tiny‑YOLOv4的交通标志检测方法，其特征在于，删除原尺度为13×13和26×26的预测特征层，改用52×52和104×104的预测特征层。

3.根据权利要求1所述的基于改进Tiny‑YOLOv4的交通标志检测方法，其特征在于，目标框的坐标回归损失采用CIOU损失：

2 gt

式中，IOU是IOU(ture,pre)，表示真实框和预测框的交并比；ρ(b,b )表示预测框和真gt实框的中心点的欧式距离，b代表预测框，b 代表真实框；c表示同时包含预测框和真实框的最小闭包区域的对角线距离；

α和υ的公式如下：

gt gt

式中，W和h分别表示预测框的宽度和高度，w 和h 分别表示真实框的宽度和高度。

4.根据权利要求1所述的基于改进Tiny‑YOLOv4的交通标志检测方法，其特征在于，训练完成后，利用测试集测试改进后的Tiny‑YOLOv4目标检测网络，获取评价指标。

5.根据权利要求4所述的基于改进Tiny‑YOLOv4的交通标志检测方法，其特征在于，评价指标包括：检测准确率、召回率、F1值、平均检测精度mAP、检测速度FPS以及模型内存容量。

6.根据权利要求1所述的基于改进Tiny‑YOLOv4的交通标志检测方法，其特征在于，交通标志包括指示标志、警告标志、禁止标志。

7.根据权利要求1所述的基于改进Tiny‑YOLOv4的交通标志检测方法，其特征在于，聚类算法包括K‑means。