面对日趋拥堵的道路以及日趋严重的交通事故,智能交通系统(Intelligent Transportation System)和无人驾驶汽车技术应运而生。作为其中重要组成部分的交通标志检测与识别系统(Traffic Signs Detection and Recognition System)成为了研究的热点课题。交通标志检测与识别系统概括来说可以分为检测定位交通标志和识别交通标志含义两个重要过程。该论文主要完成了以下几个方面的工作：首先是研究了基于颜色的交通标志分割算法。根据我国现有的交通标志的含义和形状特点,重点分析了在不同颜色空间下对交通标志进行颜色分割的方法,其中着重介绍了如何利用概率统计中的均值和方差特征在RGB颜色空间下进行自适应颜色分割算法。通过实验数据证明了利用此类算法分割出的颜色信息,不但保证了颜色分割的准确性和实时性,并且还对光照条件变化具有很好的自适应特点。其次是研究了基于傅里叶描述子的形状检测。首先介绍了物体几何形状分析中常用的一些方法,例如霍夫变换、Hu旋转不变矩等。随后重点介绍了如何利用轮廓的中心距离函数以及傅里叶变换进行形状分析,另外也细致的介绍了归一化傅里叶描述子模板数据库是如何应用到形状分析中,目的是为了对缺失形状的交通标志进行检测定位。该算法能够对交通标志进行快速有效的检测,尤其是对于遮挡、失真、缩放等情况的交通标志具有一定的鲁棒性。随后介绍了基于HOG特征的支持向量机识别。通过上述介绍的方法对交通标志定位后,如何对交通标志的含义进行识别是该阶段的的重要内容。该部分系统地介绍了HOG特征描述子的计算方法,统计学习理论以及支持向量机理论,详细地介绍了国内外常用的交通标志图像库,对支持向量机的参数优化也进行了一定的分析介绍。通过对比实验可以看出,采用基于HOG特征的支持向量机的识别方法既保证了特征提取的快速、高效和完整性,又确保了对候选区域识别的正确率。最后是对交通标志检测与识别算法进行了系统实现。利用含有交通标志的静态图像作为测试样本,采用上述描述的方法进行实验测试验证。通过对其实时性,检测率和识别率进行统计分析,可以得到采用该算法不仅能够准确的定位和识别出交通标志,而且该算法的运行时间完全能够满足日常实时性的要求。