由于其广泛的实用价值和发展前景,智能交通系统已成为未来交通的发展方向。道路交通标志的检测和识别是道路交通系统中不可缺少的一部分。本文在研究国内外图像特征抽取和特征匹配经典算法的基础上,提出了改进算法,并将其应用到道路交通标志检测和识别算法中。本文的主要工作是:(1)特征USB(Ultrashort binary descriptors)是一种极短的、可快速匹配的二值特征,但是这种基于灰度的特征只考虑了局部区域内的灰度信息分布,而忽略了颜色等其他局部信息。颜色特征CN(Color Names)是人类赋予现实中色彩的一种语义颜色标签。本文提出了一种新的二值描述子,其融合了USB二值特征和CN颜色特征。USB特征获取区域内的局部灰度信息,实现粗匹配;而后利用CN特征作为补充信息,筛选出错误的匹配。该融合描述子在标准数据集上测试,对于旋转、光照、模糊以及尺度变换等图像都能获得令人满意的精确率和召回率。(2)常用的二值特征匹配算法一般是基于贪婪搜索算法实现的,即通过穷举的方式在某个集合中找出最优解。然而当特征维数较大时,这类算法的时间复杂度将无法满足实际应用的需要。本文提出了一种基于最小哈希的二值特征匹配方法,该方法把一个在超大集合内查找相似元素的问题转化为在一个很小集合内查找相似元素的问题,可以减少需要对比的特征对数同时提高匹配的召回率。同时,使用Jaccard距离度量的最小哈希函数能保证原始数据中相似的向量对在哈希变换后依然能够以很高的概率相似。实验表明这种匹配方法应用在常用的二值特征上时,可以获得比KD-Tree更好的匹配精确率和召回率,而且降低了特征匹配的时间复杂度。(3)将本文提出的融合二值特征算法和基于最小哈希的二值特征匹配算法应用到道路交通标志的检测和识别中。对于检测到的交通标志兴趣区域,提取每个特征点的融合二值描述子,组成特征向量矩阵。找出交通标志模板库中每个交通标志对应的特征向量矩阵,用本文提出的特征匹配方法分别计算这两个矩阵的匹配结果。实验表明这两种算法有效地提高了匹配的正确率,同时减少了时间消耗。