随着经济社会的快速发展,城市交通也变得四通八达,在这样的背景下,驾车出行成为了人们日常生活的必然选择。然而,这也导致了交通事故发生的次数越来越多。在这样的情况下,出现了智能交通系统,这一方面改变了驾车出行只能靠肉眼辨识交通标志的劣势,促进了机器视觉技术的发展,另一方面,为驾驶员的安全驾驶提供了保证,对社会的和谐稳定以及人们的幸福生活具有重大的意义。交通标志检测识别是智能交通系统必不可少的一环。本文重点研究交通标志的检测定位方法和手段,通过查阅了非常多的国内外文献,充分分析交通标志存在的问题,如环境因素,驾驶员因素,交通标志本身的因素等,制作了一个用时少,准确率高,能应对各种复杂环境的交通标志检测识别系统,研究方法详述见下:交通标志预处理:针对图像倾斜的情况,对图像进行旋转平移操作。针对图像冗余信息过多,对图像进行裁剪操作。针对图像大小不一,对图像进行缩放操作,选择局部均值法缩小,选择三次样条法放大。针对图像受强光照射影响使图像变亮和遮挡物影响使图像变暗,通过空间变换将RGB图像变为NTSC图像,分离出亮度分量Y,选择限制对比度的自适应直方图均衡化处理Y分量,把处理后的Y分量与I分量,Q分量融合在一起得到NTSC图像,通过空间变换还原RGB图像。针对图像受到噪声影响,选择维纳滤波处理图像。选择阈值分割处理图像。图像去雾:针对有雾情况下交通标志模糊的情况,提出了改进暗通道的去雾方法。一方面改进光线照射强度值的推算方法,另一方面对图像进行下采样处理,节省时间提高效率,使用双边滤波对透射率图处理,减少图像的高亮度部分对图像复原效果的破坏,更好的保留了图像的颜色和边缘特征。交通标志检测定位:提出了改进Faster R-CNN图像定位方法。构造卷积神经网络模型,通过并联卷积核增加模型的宽度,把原图的HOG+LBP特征与多尺度提取的图像特征进行融合,通过NMS形成定位框。采用计票检测框机制,提取不同卷积核处理后的特征图,输入到RPN得到候选框,选择重合度达到60%以上的候选框,对多个候选框进行加权求和,最后微调定位框并得到分类概率。交通标志识别:提出了基于卷积神经网络的SIFT特征融合的交通标志检测方法,通过确定极值,确定关键点方位,对关键点进行描述,构建视觉词典对图像的SIFT特征加工处理,得到图像浅层特征。改进卷积神经网络Alexnet的结构,多层卷积和池化操作,引入Droupout层防止过拟合,引入BN层修正权值,经过全连接层形成特征向量,得到深层特征。最后合并两个特征层形成特征拼层,送入Softmax分类器中进行分类,实现交通标志准确识别。实验结果表明,国内外研究方法进行对比,本文方法可以有效去除光照和雾气,取得良好效果。交通标志定位算法的召回率为97.4%,准确率为98.4%,取得了良好的效果。交通标志分类算法的准确率为99.2%,取得了良好的效果。