随着中国城市化进程的加快,城市的汽车保有量逐年提升,出行安全成为民众考虑的焦点问题。为了减轻驾驶员的注意力负担,许多高级驾驶辅助系统设备应运而生,交通标志识别是这些设备的关键功能之一。基于机器学习的交通标志检测与分类方法具有成本低廉、识别精度高、路况变化反应及时的优点,是计算机视觉的重点研究领域。目前国内真实场景下的交通标志识别算法,仍然存在漏检率高、识别准确度低的问题。本文的研究工作围绕这些问题开展,主要内容如下:1.针对国内缺少合适交通标志数据集的问题,本文通过搜集网络图片资源和提取车载视频序列,制作了基于国内真实场景的交通标志数据集CTS64及其子集。该数据集用于训练和评估算法,在一定程度上解决了训练集匮乏的问题。2.针对常见目标特征描述子在限速标志检测过程中存在漏检率较高的问题,本文提出一种基于特征合并的多尺度池化聚合通道特征。通过将三个尺度的通道特征进行有机合并,提升特征描述子对目标的抽象能力,结合AdaBoost级联分类器优秀的分类能力,大幅提高检测过程的召回率,有效减轻限速标志漏检的程度。3.提出了一种基于数字图像处理的限速标志分类特征提取方法,步骤简单且提取效果良好。采用二次曲线拟合的可变阈值代替固定阈值,提高限速标志红色像素点的提取准确度。采用基于区域生长的数字分割算法,有效地分离数字和标志背景,提高标志倾斜状况下特征提取的鲁棒性。采用切片投影的方式形成特征向量,降低了特征向量的维度,减小了多层感知机分类器的复杂性。4.提出了一种基于多级特征图合并的交通标志识别方法。针对交通标志的种类多样性和外形复杂性,本文在卷积神经网络的基础上对原始VGG16网络结构进行改进,在特征维度合并卷积层的低层特征和高层特征,提高特征表达能力。实验结果表明,改进后的网络结构相比于原始VGG16,在CTS64数据集上的检测精确度和召回率各有2.38%和2.17%的提升,分类准确度有1.75%的性能提升。在国际公认的GTSDB数据集上,检测精确度和召回率各有4.54%和5.16%的提升。