在交通标志的检测与识别研究中,根据交通标志外形以及色彩上的特点,在检测上,可以使用标志颜色作为辅助判别信息,训练基于形状特征的模型实现位置检测;在识别上,以往多采用支持向量机、随机森林等算法实现交通标志的分类,近来则更多地采用卷积神经网络这一机器学习模型,直接以交通标志彩色图片作为网络输入,自动提取目标特征,根据卷积网络的计算特性,在图形处理单元支持下,通过并行运算加速训练与识别过程,可以取得很好的识别效果。本文以交通标志检测与识别作为主要的研究方向,从交通标志的特点入手,分析交通标志在颜色和形状上的特征、对自然条件下交通标志的检测和识别做了广泛而深入的研究,在本文中,主要研究内容如下:(1)根据交通标志的类别、所受光照等特征,针对在某些自然光照条件下标志表面过亮或过暗的情况,研究了交通标志的预处理算法,实现对彩色图像的限制对比度自适应直方图均衡,以改善图像质量。(2)针对主交通标志在形状上都很规则、对称的特性,提出使用可以在不同图像分辨率上分别描述交通标志的整体形状特征和内在部件特征以及部件间相对关系的可变部件模型描述并检测交通标志。(3)针对可变部件模型计算的两个主要步骤,即特征金字塔计算和卷积过程的耗时问题,分别使用根据临近层特征估算指定层特征和使用傅里叶变换将卷积计算转换为乘积计算的方式加速交通标志检测运算过程。(4)在交通标志识别算法中,使用卷积神经网络作为交通标志识别模型,设计具有深层结构的卷积神经网络,直接以交通标志图像作为网络输入,自动提取交通标志的特征信息,在网络的终端,以概率的形式输出待测交通标志所属类别。实验结果表明,本文采用的算法是可行且有效的,在检测和识别阶段都取得了很好的正确率,识别率可以达到99%以上,具有较好的实时性和稳定性。