1.一种道路交通标志识别方法，其特征在于：包括以下步骤：步骤一：构建深度卷积神经网络，选取交通标准数据库和现场采集的交通标志图像对构建的深度卷积神经网络进行训练和测试，得到训练后的深度卷积神经网络；

步骤二：采集实时交通标志图像；

步骤三：在Itti视觉注意模型基础上加入交通标志位置分布先验知识，以调整采集的交通标志图像，然后进行亮度均衡化处理和颜色增强，再通过MSER算法提取交通标志的感兴趣区域；

步骤四：步骤三中得到的感兴趣区域输入到训练后的深度卷积神经网络进行卷积和池化处理，得到一维的特征矢量；

步骤五：通过全连接的BP神经网络完成一维的特征矢量的识别，输出识别结果，进行实时显示和播报；

在交通标志标准数据库和现场采集的交通标志图像中选取包含运动模糊、背景干扰、光照变化以及局部遮挡破损等多种情况的交通标志图像对构建的深度卷积神经网络进行训练和测试；

由Itti视觉注意模型得到图像的显著图，在此基础上利用位置分布先验知识对交通标志图像进行调整包括：

把一幅图像平均分成4×4的子区域，依次为I11,I12,…,I14,…,I44，通过统计大量含有交通标志的图像，获得交通标志在一幅图中每个子区域交通标志出现的概率为p11，p12，...，p44，得到位置经验概率分布矩：利用位置经验概率分布矩对图像显著图进行调整：其中，Sij表示调整前交通标志图像显著图中第i行,第j列子区域显著性；pij表示交通标志在第i行,第j列子区域出现的概率；S′ij表示调整后交通标志图像显著图中第i行,第j列子区域显著性；

调整后的图像使用竞争学习规则即Winner‑take‑all机制实现目标间的竞争，得到显著性焦点，最后以交通标志图像的颜色矩与HU不变矩联合矩为特征向量，采用Manhattan距离度量显著区中待识别目标与先验知识库中交通标志的相似性，设定其Manhattan距离经验阈值为25.462～37.754，当在这个范围内时判定该区域有感兴趣目标，否则不存在感兴趣目标则该显著区被丢弃而不进行进一步的分割与识别，基于此得到交通标志所在的感兴趣区域；对于调整后的图像，首先在YCbCr颜色模型下对图像的亮度分量Y进行直方图均衡化处理；光照均衡化如下：

其中，k表示均衡化前的灰度级，Sk表示处均衡化后的灰度值，nr表示灰度级为r的像素个数，N是图像像素总和；然后将处理后的图像再转为RGB模型，根据交通标志颜色特点，进行颜色增强，最后用MSER算法分割交通标志感兴趣区域ROI。

2.如权利要求1所述的一种道路交通标志识别方法，其特征在于：深度卷积神经网络是由一层卷积层C1接一层池化层S2后再加一层卷积层C3与池化层S4构建而成，当输入交通标志图像ROI，得到特征子图，然后将特征子图展开形成一维的特征子集。

3.如权利要求1所述的一种道路交通标志识别方法，其特征在于：BP神经网络输出层的每一个神经元的输出值对应于输入图像所属不同交通标志的概率，表达式为：其中，yβ表示输出层中第β个输出特征；Wαβ表示连接输入层中第α特征与输出层中第β个特征的权值； 是前一层(l‑1层)的输出特征；m表示前一层的输出特征的个数；bβ表示输出层第β个输出的偏置；g(*)表示对输出层的非线性sigmoid激活函数。

4.如权利要求1所述的一种道路交通标志识别方法，其特征在于：采用DSP控制CCD摄像头采集实时的交通标志图像，将来自CCD摄像头的交通标志视频信号通过视频解码芯片进行A/D转换，经视频端口VP1内部的FIFO缓存后，由芯片DM6437通过EDMA将数据搬移到片外SDRAM中，对视频图像进行处理，处理后的结果由DM6437通过EDMA搬移到视频口VP0内部的FIFO缓存后，经过视频编码芯片进行D/A转换，在显示屏上显示识别结果，同时DM6437通过语音芯片实时播报识别结果。

5.如权利要求4所述的一种道路交通标志识别方法，其特征在于：芯片DM6437连接一个外挂的FLASH存储器存储训练好的数据。

6.如权利要求1所述的一种道路交通标志识别方法，其特征在于：深度卷积神经网络训练方法包括：

图像预处理步骤：先利用邻近插值法将图像进行规格化，再利用最大类间方差法将交通标志图像二值化；

神经网络的初始化步骤：利用随机分布函数将权值W初始化为‑1到1之间的随机数；将偏置b初始化为0；

神经网络训练与权值和偏置的调整步骤：用选取的训练集输入构建的卷积神经网络进行训练，在梯度下降法基础上引入动量因子η依次调整权值和阈值；

判断步骤：判断误差是否满足精度要求，或训练已达到预先设定好的最大训练次数，若是，则训练完成，否则返回调整步骤。