1.一种基于密集连接与通道注意力机制的交通标志识别方法，其特征在于，所述方法包括以下步骤：
构建数据集并进行数据预处理；
通过深度学习框架搭建基于密集连接与注意力机制的交通标志识别神经网络；
将训练集中的图片输入神经网络中，通过正向传播得到交通标志类别与位置信息，与真值中的信息计算误差并进行反向传播，不断更新网络参数直至误差不再减小；
输入带有交通标志的图片，加载训练好的模型，输出交通标志识别结果图。
2.根据权利要求1所述的一种基于密集连接与通道注意力机制的交通标志识别方法，其特征在于，所述通过深度学习框架搭建基于密集连接与注意力机制的交通标志识别神经网络包括：
编码路径、解码路径、输出预测部分和四条并联支路，共同构成了一个u型的编解码网络。
3.根据权利要求2所述的一种基于密集连接与通道注意力机制的交通标志识别方法，其特征在于，所述解码路径分为四部分，
每部分均由一个残差块与一个通道注意力模块构成；解码路径的特征图会先经过残差块后再进入通道注意力模块，用于增大有效通道的权重，同时减小无效通道的权重。
4.根据权利要求2所述的一种基于密集连接与通道注意力机制的交通标志识别方法，其特征在于，所述并联支路共有四条，
第一条支路将编码路径第四部分的输出输入解码路径；
第二条支路将编码路径第三部分的输出与解码路径第一部分的输出进行特征融合，作为解码路径第二部分的输入；
第三条支路将编码路径第二部分的输出与解码路径第二部分的输出进行特征融合，输入解码路径第三部分；
第四条支路将编码路径第一部分的输出与解码路径第三部分的输出进行特征融合，输入解码路径的第四部分。
5.根据权利要求2所述的一种基于密集连接与通道注意力机制的交通标志识别方法，其特征在于，所述输出预测部分由另外三条支路并联构成，
第五条支路在经过两个卷积块后，会得到一个n通道的特征图，n为交通标志的类别数量，通过n通道的特征图来计算交通标志属于n个类别的概率；
第六条支路在经过两个卷积块后会得到一个两通道的特征图，对特征图的两个通道计算便会得到两个点x与y，能够预测出一个坐标，即交通标志的中心点坐标；
最后一条支路也经过两个卷积块后得到一个两通道的特征图，对特征图的两个通道计算便会得到两个值w与h，即交通标志检测框的宽和高。