随着科技发展和人类进步,智能驾驶受到越来越多的关注。它的目的在于减少主观因素的影响,充分发挥智能系统的优点,确保交通更加安全方便舒适。智能驾驶的关键一环就是使用计算机视觉进行交通标志的识别,因此对它进行研究有着至关重要的意义。另外,近年来深度学习算法在理论层面发展很快,相关的新技术也被应用到各行各业中,TensorFlow就是一个在各个方面都表现比较好的深度学习的框架。本文使用基于深度学习的两步检测器,结合传统研究方法和深度学习的优点,探索包括交通标志预处理,交通标志分割和交通标志最终识别的算法,得到准确率高,稳定性高,处理速度快的算法,并通过TensorFlow平台实现整个系统。本文所做的工作主要为:在交通标志预处理方面,对Retinex算法进行改进,通过加入反馈自动调节高斯尺度大小,减少了图像增强过程中的色彩失真,使细节更为清晰。在交通标志分割方面,提出了HSV色彩空间粗分割与自适应分割算法相结合的方式来提取候选区域。首先使用HSV色彩空间快速去除大片冗余信息,并根据不同颜色设置识别的优先级,接着根据一幅图像中交通标志个数选择不同的方式提取候选区域,不仅减少了时间消耗,而且优化了性能,提高了算法准确率。在交通标志的识别方面,借鉴并改进了AlexNet卷积神经网络结构,解决了图像归一化问题,减少了网络的处理参数,优化了损失函数,最终提升了识别的准确率和速度。以上算法均在自建的交通标志库或German Traffic Sign Recognition Benchmark(GTSRB,德国交通标志库)上进行了实验验证。最终将整个系统在TensorFlow上实现,使用行车记录仪采集的视频验证了本文的算法,结果表明本文算法有一定的实用性,而且在准确率,鲁棒性和实时性等方面也表现较好。