1.一种基于DL‑SSD模型的交通标志检测方法，其特征在于，包括以下步骤：

(1)对预先获取的交通标志原始图像进行标记，生成标签文件；

(2)将标签文件和原始图像进行预处理输入到DL‑SSD目标检测主干网络进行特征提取；

(3)使用DL‑SSD目标检测主干网络前三层卷积层提取到不同尺度的特征图添加第一个分支进行特征融合；所述第一个分支采用跨尺度聚合特征融合方法Ca‑FPN特征融合方式；

(4)使用主干网络后三层扩张卷积层添加第二个分支位置通道注意力机制PCA的运算进行特征提取；

(5)第一分支和第二分支生成不同尺度的特征图，在特征图的每个位置生成多个候选框；

(6)设置特定阈值排除置信度的候选框，从而确定交通标志位置，同时使用softmax分类函数进行交通标志分类。

2.根据权利要求1所述的一种基于DL‑SSD模型的交通标志检测方法，其特征在于，步骤(2)所述的DL‑SSD目标检测主干网络为VGG16的卷积层，将VGG16的两层全连接层替换为卷积层，同时之后添加三个扩张卷积层，使用分别为1、2、4扩展参数的扩张卷积将原先3×3的视野分别调整为3×3、7×7和15×15便于进行特征提取。

3.根据权利要求1所述的一种基于DL‑SSD模型的交通标志检测方法，其特征在于，所述步骤(3)实现过程如下：前三层卷积层分别为Fc7层、Conv8_2层、Conv9_2层，这三层所提取到对应特征图为R1、R2、R3，且三个特征图R1、R2、R3特征尺度不一的；将特征图R1、R2、R3的结点作为输入，不同的特征结点进行相互连接，将同尺度的特征节点实现跳跃输入连接，确保将尺度小的特征图也能够融合到尺度较大的特征图中，同时将第三层结点的输入连接少于2个的结点进行移除；最后将Ca‑FPN特征融合效果输出，用1×1的卷积进行处理输出特征图为RC1。

4.根据权利要求1所述的一种基于DL‑SSD模型的交通标志检测方法，其特征在于，所述步骤(4)实现过程如下：后三层扩张卷积层分别为Dconv10、Dconv11和Dconv12对应提取的特征图为D1、D2、D3，将D1、D2、D3作为第二个分支的输入，每个特征图添加位置通道注意力机制PCA的运算需要满足公式：其中，Uc表示c个特征映射在(i，j)位置上的通道特征值，表示特征图大小为H×W的c个特征映射在卷积核(i，j)位置上的通道权重进行矩阵相乘，根据通道权重来获取每个位置的信息，增强其特征表现能力；D1、D2、D3通过PCA产生的特征图分别为DC1、DC2、DC3作为下一阶段的输入。

5.根据权利要求1所述的一种基于DL‑SSD模型的交通标志检测方法，其特征在于，步骤(5)所述的特征图根据标签文件和训练图片的类别生成多个位置不一的候选框区域，并同时输入到最终的检测层进行分类回归。

6.一种采用权利要求1‑5任一所述方法的基于DL‑SSD模型的交通标志检测系统，其特征在于，包括：图像预处理模块：读预先获取车载记录仪拍摄视频中的交通标志原始图像，标记图像中交通标志位置，生成标签文件；

特征提取模块：将交通标志标记图像输入到DL‑SSD模型中，通过多个卷积层和三个扩张卷积运算得到多个不同尺度的具有交通标志目标的特征图；

跨尺度聚合特征融合模块：使用DL‑SSD目标检测主干网络前三层卷积提取到不同尺度的特征图添加采用跨尺度聚合特征融合方法Ca‑FPN特征融合方式的第一个分支进行特征融合；

位置通道注意力机制模块：使用主干网络后三层扩张卷积层添加第二个分支位置通道注意力机制PCA的运算进行特征提取；

交通标志检测和可视化模块：将训练好的可以识别交通标志的权重文件，对交通视频和图像进行检测，实时检测到交通标志的位置信息和对应的交通标志的类别同时给出相关的准确度信息生成对应的检测图像。