随着当今社会城镇化进程的快速推进以及私家车的比例直线上升,道路交通问题已经成为一个社会问题。在信息时代,利用智能交通系统(Intelligent Transportation System,ITS)来解决交通问题已经成为未来的发展趋势。交通标志自动识别系统(Traffic Sign Recognition System,TSR)是ITS的重要分支领域,通过实时确定交通标志的类别与内容,可以有效避免恶劣天气、疲劳驾驶等引起的交通事故;因此,它的研究具有重要的理论意义和广阔的应用前景。本文主要研究自然场景中道路交通标志的检测算法与识别算法,具体如下:(1)针对标志图像中存在运动模糊的问题,研究了模糊图像复原方法。本文主要将匀速直线运动及近似匀速直线运动造成的动态模糊图像作为研究对象。首先得到匀速直线运动的点扩散函数,然后根据退化模型恢复出原图像。接着分析和实验对比了维纳滤波等几种模糊图像复原方法,最后讨论了如何减少噪声影响的方法。(2)针对由于光照强度的变化、拍摄时间不同等因素造成的图像亮度过低和对比度不明显等问题,本文提出了直方图均衡化和Gabor滤波结合的标志增强算法和基于“参考白”技术的光照补偿算法。(3)针对道路交通标志识别系统中的检测实时性和检测精确度问题,提出了一种改进的基于颜色增强法与支持向量机(SVM)融合的交通标志检测算法。首先使用改进的颜色增强算法初步检测并切割出候选标志区域;然后使用HOG特征训练SVM分类器,对候选标志进行精确检测并判断其形状。(4)针对交通标志的识别问题,对现有的分类方法在识别速度和精度上做了比较,采用具有训练耗时少等优点的概率神经网络(probabilistic neural network,PNN)。识别过程依然采用HOG特征作为训练特征;为避免出现维度灾难,提高识别速度,采用主成分分析(Principal Component Analysis,PCA)法对训练样本进行降维。本文的主要工作是在现有的交通标志检测算法的基础上进行了一些探索和尝试。实验结果表明,本文提出的算法能够快速准确的检测到交通标志并对其形状做出判断,同时对亮度较低的图像能够有效处理,对旋转、部分遮挡等复杂情况也有较好的稳定性和准确性,相较颜色增强算法在精确度和耗时方面都有所优化,基本满足了实际应用的要求。