1.一种基于量子卷积神经网络的交通标志识别方法，其特征在于，具体包括如下步骤：步骤1：采集交通标志图像，并为每个图像进行标签处理；将采集的交通标志图像和对应的标签作为样本数据；

步骤2：建立量子卷积神经网络，所述量子卷积神经网络包括预处理层，量子电路和分类层；

所述预处理层对样本数据进行预处理，所述预处理具体为对样本数据进行类softmax处理，对类softmax处理后的数据进行振幅编码，得到C个通道量子比特和I1个特征量子比特，将得到的量子比特送入量子电路中处理；

所述量子电路包括量子计算层和一个独立的受控卷积层，量子计算层包括受控卷积层，量子池化层和量子通道注意力层，受控卷积层对输入的特征量子比特进行卷积操作，选择w个卷积操作后的特征量子比特输入至量子池化层，w≤I1，量子池化层将控制量子比特所包含的信息转移至受控量子比特上；然后采用量子通道注意力层提取控制量子比特和通道量子比特的通道注意力信息，并舍弃控制量子比特；判断是否满足预设的停止条件，若否，则将当前量子计算层的输出输入到下一个量子计算层中，直到满足预设的停止条件，若是，则将当前量子计算层的输出输入至一个独立的受控卷积层，将该独立的受控卷积层的输出作为量子电路的输出；并将量子电路的输出输入至分类层；

所述分类层输出交通标志的分类结果；

步骤3：对量子卷积神经网络进行训练，并采用训练好的量子卷积神经网络进行交通标志识别；

所述步骤2中类softmax采用如下公式对样本数据进行处理：其中，M表示类softmax的温度，x表示N维的样本数据向量，xi表示向量x的第i个像素；i＝1,2,…,N；j1＝1,2,…,N；p为拥有N个像素C个通道的经由类softmax处理的多通道数据向量，pi表示向量p的第i个像素；

所述振幅编码的表达式如下所示：

其中，pi+NC表示向量p的第i个像素的第c个通道的值；U(.)表示振幅编码函数，|c>表示通道量子比特的基态，|i>表示特征量子比特的基态。

2.根据权利要求1所述的一种基于量子卷积神经网络的交通标志识别方法，其特征在于，所述步骤2中预设的停止条件为当前量子计算层输出的特征量子比特的个数满足预设的个数。

3.根据权利要求1所述的一种基于量子卷积神经网络的交通标志识别方法，其特征在C C

于，受控卷积层包括依次连接的2个量子卷积层，采用通道量子比特的基态控制2个量子卷积层是否运用，一个基态控制一个量子卷积层；每个量子卷积层结构相同，均包括I1/2个2量子比特的第一酉元和(I1‑2)/2个2量子比特的第二酉元，将11个特征量子比特依次两两组合，得I1/2个特征量子比特组，将特征量子比特组输入至相应的第一酉元，将所有第一酉元的输出中与第一个特征量子比特对应的输出和第11个特征量子比特对应的输出直接作为量子卷积层的第一个输出和第I1个输出，将所有第一酉元的剩余输出再次两两组合，得到(I1‑2)/2个输出组，将输出组输入至相应的第二酉兀。

4.根据权利要求3所述的一种基于量子卷积神经网络的交通标志识别方法，其特征在于，所述第一、二酉元结构相同，参数不同；酉元的结构CB(θ)如下所示：其中，Θ表示酉元的参数，Rx(θ1)、Rx(θ2)、Rx(θ7)以及Rx(θ8)为参数为θ1，θ2，θ7，θ8的第一～四参数化Rx门，Rz(θ3)、Rz(θ4)、Rz(θ9)以及Rz(θ10)为参数为θ3，θ4，θ9，θ10的第一～四参数化Rz门，CRx(θ5)，CRxr(θ6)为参数为θ5，θ6的第一～二参数化受控Rx门， 表示张量积；

第一～四参数化Rx门结构相同，相应的矩阵形式Rx(θ1)如下所示：其中，θ1为参数化Rx门的参数，j为虚数单位；

第一～四参数化Rz门结构相同，相应的矩阵形式Rz(θ2)如下所示：其中，θ2为参数化Rz门的参数；

第一～二参数化受控Rx门结构相同，相应的矩阵形式CRx(θ3)如下所示：其中，θ3为参数化受控Rx门的参数。

5.根据权利要求4所述的一种基于量子卷积神经网络的交通标志识别方法，其特征在于，所述量子通道注意力层将控制量子比特输入至第三酉元，将第三酉元的输出中所包含的信息通过2量子比特的量子转移块转移到通道量子比特中，所述第三酉元的结构与第一、二酉元的结构相同，所述量子转移块的表达式如下所示：其中，T表示量子转移块，CRx表示参数化受控Rx门，CRz表示参数化受控Rz门，X为Pauli‑X门，I为单位矩阵；CRz和X的表达式如下所示：其中， 表示参数化受控Rz门的参数。

6.根据权利要求5所述的一种基于量子卷积神经网络的交通标志识别方法，其特征在于，所述量子池化层采用对称双池化结构，包括若干个2量子比特的量子转移块，量子池化层采用量子转移块将控制量子比特包含的信息转移至与控制量子比特相邻的受控量子比特上。

7.根据权利要求1所述的一种基于量子卷积神经网络的交通标志识别方法，其特征在于，训练过程中采用交叉熵损失作为损失函数，交叉熵损失L的表达式如下所示：其中，K是训练集数据个数，P(F(xk，θF)＝yk)表示采用量子卷积神经网络预测xk标签为正确标签yk的概率，xk为第k个训练数据，θF为量子卷积神经网络的参数，F(.)表示量子卷积神经网络。

8.根据权利要求7所述的一种基于量子卷积神经网络的交通标志识别方法，其特征在于，采用如下公式计算交叉熵的梯度：

其中， 表示微分计算；

量子电路的参数θf的梯度采用如下公式计算：

其中，r为与量子门有关的移位常数。

9.根据权利要求7所述的一种基于量子卷积神经网络的交通标志识别方法，其特征在于，采用Adam优化器对参数进行优化：

其中，η表示学习率，下标g表示量子卷积神经网络中第g个参数，t表示迭代次数，m表示随梯度变化的动量，v表示根据梯度陡峭状况动态变化的速率，β1，β2和∈为Adam优化器的基本参数，θg，t+1表示第t+1次迭代时量子卷积神经网络中的第g个参数的值，θg，t表示第t次迭代时量子卷积神经网络中的第g个参数的值，为v的修正值， 为m的修正值。