1.基于空间补全与多尺度聚焦的交通标志检测方法，其特征在于，包括如下步骤：步骤S1：获取原始交通标志数据集，对原始交通标志数据集进行统计与增强，得到类别均衡的增强数据集；

步骤S2：构建改进的YOLOv12检测网络，改进的YOLOv12检测网络包括骨干网络、特征融合网络和检测头，其中在骨干网络的Q4特征层嵌入特征互补映射模块，用于对交通标志小目标的颜色与空间信息进行补全；在检测头的P3、P4和P5特征层分别嵌入多尺度卷积注意力模块，用于对不同尺度的交通标志进行多尺度特征聚焦；

步骤S3：使用类别均衡的增强数据集对改进的YOLOv12检测网络进行训练，采用复合损失函数对改进的YOLOv12检测网络进行优化；

步骤S4：对待检测图像进行预处理后输入训练优化好的改进YOLOv12检测网络，经由骨干网络、特征互补映射模块、特征融合网络及多尺度卷积注意力模块处理，输出交通标志的检测结果；

步骤S2中在骨干网络的Q4特征层嵌入特征互补映射模块，具体为：步骤S211，从骨干网络中提取Q4特征层输出的第一特征图 ；

步骤S212，将第一特征图 沿通道维度按比例 分割为两部分，分别得到空间‑颜色分支和语义分支；

步骤S213，对空间‑颜色分支和语义分支分别进行特征变换：步骤S214，通过注意力机制实现特征双向互补：对语义特征采用深度卷积切断冗余通道关联，经全局平均池化捕捉交通标志典型颜色通道的全局信息，再通过Sigmoid函数激活生成通道注意力权重；

对空间‑颜色特征采用1×1卷积加批量归一化操作加Sigmoid函数，聚焦交通标志所在空间区域，生成空间注意力权重；

将通道注意力权重加权至空间‑颜色特征，得到空间‑位置特征图，将空间注意力权重加权至语义特征，得到语义特征图；

步骤S215，将补充后的空间‑位置特征图与语义特征图沿通道维度拼接，并与第一特征图 进行残差连接，得到增强后的第二特征图 ；

步骤S2中在检测头的P3、P4和P5特征层分别嵌入多尺度卷积注意力模块，具体为：步骤S221，分别获取来自前级处理或特征融合网络的P3、P4和P5特征层，其对应不同空间分辨率的交通标志特征表示，将第二特征图 作为多尺度卷积注意力模块的输入；

步骤S222，对第二特征图 使用3×3深度卷积进行局部信息聚合，提取局部边缘与角点特征，得到局部信息聚合特征图；

步骤S223，对局部信息聚合特征图根据检测头的P3、P4和P5特征层所对应交通标志的典型尺度，采用不同组合的条带卷积核进行并行特征提取，分别得到小尺度特征图、中尺度特征图和大尺度特征图：步骤S224，对各层小尺度特征图、中尺度特征图、大尺度特征图采用1×1卷积压缩通道，得到多尺度融合特征图；

提取多尺度融合特征图 的通道高维聚合特征图，生成颜色权重；

将颜色权重与多尺度融合特征图 进行逐元素相乘，得到颜色增强后的注意力特征；

步骤S225，将颜色增强后的注意力特征与局部信息聚合特征图 进行融合，完成特征聚焦，得到最终输出增强特征图。

2.根据权利要求1所述的基于空间补全与多尺度聚焦的交通标志检测方法，其特征在于：步骤S1具体为：步骤S11，从公开数据集中获取原始交通标志数据集及标注文件，原始交通标志数据集包含图像及对应的交通标志类别标签与边界框信息；

步骤S12，读取原始交通标志数据集中的标注文件，按类别统计每类交通标志的标注框数量，识别出标注数量低于预设阈值的类别作为待增强类别；

步骤S13，设定每类交通标志的目标标签数量，确保原始交通标志数据集中各类别的样本数量达到预设均衡条件；设定增强操作参数，包括缩放比例范围、旋转角度范围、模糊强度及粘贴位置随机范围；

步骤S14，对待增强类别进行增强，得到增强生成的标注信息数据；

步骤S15，将原始交通标志数据集与增强生成的标注信息数据合并，形成类别均衡的增强数据集，确保每类交通标志的标签总数不低于预设数量；将增强数据集按预设比例随机划分为训练集、验证集与测试集，并确保划分后各子集中类别分布保持均衡。

3.根据权利要求2所述的基于空间补全与多尺度聚焦的交通标志检测方法，其特征在于：在步骤S14中，对待增强类别进行增强，得到增强生成的标注信息数据；具体为：步骤S141，从待增强类别原始图像中提取交通标志区域；

步骤S142，对提取的交通标志区域进行随机缩放、旋转和模糊处理；

步骤S143，将处理后的交通标志区域随机粘贴至不含待增强类别标志的背景图像中，并确保其空间位置符合交通场景合理性；

步骤S144，生成新的标注信息数据，包括更新后的边界框坐标与类别标签。

4.根据权利要求1所述的基于空间补全与多尺度聚焦的交通标志检测方法，其特征在于：步骤S2中在骨干网络的Q4特征层嵌入特征互补映射模块，用于对交通标志小目标的颜色与空间信息进行补全；具体为：步骤S211，输出的第一特征图 ， ，其中，C=512，H=80，W=80，R表示数学中的实数集，第一特征图 中每个位置的数值都是实数，C表示第一特征图 的通道维度，H表示第一特征图 的空间高度，W表示第一特征图 的空间宽度；

步骤S212，得到空间‑颜色分支和语义分支，计算公式为：；

其中， 表示空间‑颜色分支，用于保留交通标志的像素坐标、边缘轮廓与颜色分布， 表示语义分支，用于提取交通标志的形状语义信息， 表示分割操作，表示特征互补映射模块通道分割的比例系数；

步骤S213，空间‑颜色特征，计算公式为：；

其中， 表示空间‑颜色特征， 表示1×1卷积；

对语义分支使用3×3标准卷积提取形状语义特征，计算公式为：；

其中， 表示语义特征， 表示3×3标准卷积， 表示卷积核在第一特征图上滑动的步长， 表示在卷积操作前，给第一特征图 的边缘填充0值像素；

步骤S214，生成通道注意力权重，计算公式为：； ；

其中， 表示语义特征经过3×3深度卷积处理后得到的中间特征图， 表示深度卷积， 表示通道注意力权重，表示Sigmoid函数，表示中间特征图垂直方向的像素位置索引，取值范围为0≤i

空间注意力权重，计算公式为：

；

其中， 表示空间注意力权重， 表示批量归一化操作；

语义特征图，计算公式为：

； ；

其中， 表示经通道注意力权重加权后的空间‑位置特征图， 表示逐元素乘法， 表示经空间注意力权重加权后的语义特征图；

步骤S215，增强后的第二特征图 ，计算公式为：；

其中， 表示增强后的第二特征图， 表示通道拼接，融合双向互补特征， 表示残差连接。

5.根据权利要求4所述的基于空间补全与多尺度聚焦的交通标志检测方法，其特征在于：步骤S2中在检测头的P3、P4和P5特征层分别嵌入多尺度卷积注意力模块，用于对不同尺度的交通标志进行多尺度特征聚焦；具体为：步骤S222，局部信息聚合特征图，计算公式为：；

其中， 表示局部信息聚合特征图；

步骤S223，采用不同组合的条带卷积核进行并行特征提取，分别得到小尺度特征图、中尺度特征图和大尺度特征图：对于小尺度标志P3特征层采用3×1+1×3+5×1+1×5卷积，捕捉标志的数字轮廓，得到小尺度特征图，计算公式为：；

其中， 表示P3特征层的小尺度特征图， 表示3×1卷积， 表示1×3卷积， 表示5×1卷积， 表示1×5卷积；

对于中尺度标志P4特征层采用7×1+1×7+11×1+1×11的卷积核，适配三角形或圆形形状，得到中尺度特征图，计算公式为：；

其中， 表示P4特征层的中尺度特征图， 表示7×1卷积， 表示1×7卷积， 表示11×1卷积， 表示1×11卷积；

对于大尺度标志P5特征层采用11×1+1×11+21×1+1×21的卷积核，覆盖矩形标志的全局特征，得到大尺度特征图，计算公式为：；

其中， 表示P5特征层的大尺度特征图， 表示21×1卷积， 表示1×

21卷积；

步骤S224，多尺度融合特征图，计算公式为：；

其中， 表示多尺度卷积注意力模块的多尺度融合特征图， 表示各层小尺度特征图 、中尺度特征图 、大尺度特征图 ；n=3、4、5；

颜色权重，计算公式为：

；

其中， 表示颜色权重， 表示多尺度卷积注意力模块的通道高维聚合特征图；

颜色增强后的注意力特征，计算公式为：

；

其中， 表示颜色增强后的注意力特征；

步骤S225，最终输出增强特征图，计算公式为：；

其中， 表示多尺度卷积注意力模块的最终输出增强特征图。

6.根据权利要求1所述的基于空间补全与多尺度聚焦的交通标志检测方法，其特征在于：步骤S3具体为：步骤S31，加载改进的YOLOv12骨干网络的预训练权重，对嵌入的特征互补映射模块与多尺度卷积注意力模块的网络参数采用均匀分布方法Xavier进行初始化，网络参数初始化公式如下：；

其中， 表示特征互补映射模块的可学习参数集合， 表示均匀分布，表示输入通道数， 表示输出通道数；

步骤S32，使用随机梯度下降优化器和采用余弦退火学习率调整方法，得到当前迭代步的动态学习率，公式如下：；

其中， 表示当前迭代步的动态学习率， 表示初始学习率， 表示余弦三角函数，t表示当前训练迭代次数，T=160000表示总迭代周期数，表示圆周率；

步骤S33，将类别均衡的增强数据集按批次输入改进的YOLOv12检测网络，改进的YOLOv12检测网络对每批输入数据进行前向推理，并计算复合损失函数，复合损失函数包括：SIoU损失函数，用于优化边界框的位置与形状回归，公式为：；

其中， 表示SIoU损失函数， 表示交并比，衡量预测框与真实框的重合程度， 表示距离损失， ， 表示预测框与真实框的归一化距离，表示水平方向的中心坐标，表示垂直方向的中心坐标，表示形状损失， ，=4，表示边界框的水平宽度，表示边界框的垂直高度，表示形状损失的惩罚系数；

基于图像矩Hu的形状匹配损失函数，用于强化对交通标志规则形状的感知能力，公式为：；

其中， 表示形状匹配损失函数， 表示自然指数函数，表示调节损失权重，k=

5， 表示预测边界框与交通标志形状模板之间的图像矩Hu距离；

复合损失函数为SIoU损失函数和形状匹配损失函数的加权和，公式为：；

其中， 表示复合损失函数。

7.根据权利要求1所述的基于空间补全与多尺度聚焦的交通标志检测方法，其特征在于：步骤S4具体为：步骤S41，获取待检测的交通场景图像，将待检测的交通场景图像进行RGB到HSV空间转换、通道高维聚合特征图筛选、限制对比度自适应直方图均衡化CLAHE亮度增强以及640×

640的缩放操作，得到预处理后的图像；

步骤S42，将预处理后的图像输入训练优化好的改进YOLOv12检测网络，经由骨干网络、特征互补映射模块、特征融合网络及多尺度卷积注意力模块处理，得到增强后的多尺度特征；

步骤S43，将增强后的多尺度特征输入检测头处理，得到检测头输出特征，将检测头输出特征映射解码为初步检测结果；

步骤S44，对初步检测结果采用改进的非极大值抑制重叠边界框，结合基于颜色权重对置信度低于0.5的预测框进行修正，得到修正后的目标置信度，公式为：；

其中， 表示修正后的目标置信度，表示原始目标置信度；

步骤S45，根据修正后的目标置信度与预设阈值进行最终筛选，输出最终检测结果，最终检测结果包括每个交通标志的：类别名称或编号、精确边界框坐标和修正后置信度。