计算机视觉是一门研究对图像或视频进行语义理解的学科,而目标识别作为计算机视觉的一项基本任务,对图片的理解起到了重要的作用。目标识别是指在给定图像中按照人的要求自动检测出某种物体并确定其含义的过程。为实现这一功能,我们常用的方法就是采用深度学习的一些模型框架。本文提出的基于深度学习的交通标线识别研究,是利用计算机视觉领域的方法对交通标线图像进行识别、分割。整个识别的过程包括图像的预处理阶段、图像边缘提取、图像定位、图像分割以及图像识别五个步骤。在图像的预处理阶段,图像处理技术和图像增强算法,如:空域滤波、频域滤波、直方图均衡化等,便于从道路背景图中快速、准确的提取出标线的边缘。在确定出标线的边缘后,计算机可以大致确定出标线的有效位置进而进行图像的分割和识别操作。本文提出了一种基于分布式系统的多节点运算的方法来加快深度模型的训练速度。文中采用的是基于雅虎公司开源的一款分布式深度学习框架——Tensor Flow on Spark进行开发,Tensor Flow on Spark通过结合深度学习框架Tensor Flow和大数据框架Apache Spark,为大规模计算机集群带来可扩展的深度学习方法,同时也使得Tensor Flow能够在GPU或CPU服务器集群上实现深度学习。可以充分发挥经典深度学习框架Tensor Flow的计算优势;运算速度快,可以在现有的计算机集群上进行高效的、快速的深度学习。在实验中,我们先架构好Spark分布式框架,再在此之上直接利用GPU做分布式模型训练。Tensor Flow on Spark支持目前所有流行的Tensor Flow应用程序。在本文的实验中,先将已经转换好的标线灰度图分成十个类别进行标注,构成训练样本集。然后将训练集输入到已经搭建好的分布式深度学习框架中,训练出判别模型。最后,随机挑选出图片构成测试集对判别模型的识别效果进行验证,将识别的结果按照准确判别、误判以及漏判三个标准进行统计。结果表明本文提出的方法对交通标线的识别具有较高的精度和准确率,在工程和科研中均具有一定的实用性。