交通信号灯的准确识别在智能交通系统、无人驾驶技术方面起到了不可估量的作用,而且也使得色盲患者顺利驾驶汽车成为可能。到目前为止,有关交通信号灯识别技术的研究并不多,现有的算法一般都是从交通信号灯的颜色特征和形状特征出发,采用基于图像处理的方法,通常对图像的质量要求非常高,不适合各种自然环境下的交通信号灯识别。基于此,本文采用基于机器学习的方法,更加能够满足各种自然环境下的交通信号灯识别。总体说来,本文主要从以下方面展开工作：本文提出了一个S通道概念,把原始的RGB图像转换到S通道以使对红绿黄三种颜色的描述更为清晰,每个通道的转换都是线性时间内完成,相比于传统地转换到CIE Lab, HSV, HIS等颜色空间节省了很大的计算量,更重要的是各个子通道之间线性无关,不易受到光照变化的影响。本文中使用目前最好的区域检测方法之一的Maximally Stable Extremal Regions(最大稳定极值区域)来检测交通信号灯候选区域,然后采用SIFT特征描述子来表征,继而使用SVM来对候选区域进行识别,最后采用基于S通道的camshift算法进行交通信号灯的追踪并设计决策方案来矫正识别结果,进一步提高了交通信号灯识别的准确度。本文分别在巴黎矿业大学机器人研究中心(Robotics Centre of MinesParisTech)的交通信号灯视频图像序列数据库和我们自己拍摄的交通信号灯图像库上进行了大量实验以验证本文方法的性能,并分别采用Hog, Gabor, LBP, SIFT, Transformed color sift, Rgsift等描述子,SVM、Adaboost、LR等分类器以及其他经典的方法进行了比较。实验结果表明本文提出的方法能取得更好的识别效果,适合于各种自然环境下的交通信号灯识别。