道路交通标志是用于向驾驶员传递路况及交通规则的道路设施,利用不同的颜色、形状、图案的组合来表达不同的信息,具有显著的颜色、形状和尺度特征。本文充分利用交通标志的上述特征,研究自然场景下交通标志自动检测与识别方法。本文提出了一种多特征融合的交通标志检测与识别方法,利用交通标志的多种特征来协同实现交通标志的检测与识别,具有良好的准确性和鲁棒性。在交通标志检测阶段,根据交通标志的特定的颜色(红、蓝)特征,采用颜色不变量特征,建立相应颜色的混合高斯颜色概率模型。通过该模型计算图片中每个像素点属于交通标志某特定颜色的概率,从而得到相应的颜色概率图。再将概率图转为灰度图,这样得到的灰度图中,较明亮的区域即为特定颜色相关的区域。再利用最大稳定性极值区域算法(Maximally Stable Extremal Regions,MSER)寻找灰度图中的灰度稳定性区域,如果图片中有交通标志,那么极大可能位于这些稳定区域中,然后利用交通标志的尺度特征筛选这些稳定区域,得到最终的候选检测区域。然后根据交通标志的形状特征,利用方向梯度直方图(HOG)特征训练支持向量机(SVM)分类器,利用该分类器对候选检测区域进行分类检测,判断该区域是否存在交通标志,从而得到交通标志位置。在交通标志识别阶段,结合交通标志检测的结果,对于待分类识别的交通标志,其形状、颜色、所属的大类(警告、禁令、指示)等信息是已知的,因而在识别阶段,主要的是识别交通标志内部的图案差异。本文利用交通标志的灰度图片作为训练样本,利用限制对比度自适应直方图均衡算法(Contrast Limited Adaptive Histgram Equalization,CLAHE)对训练样本进行处理,消除光照对图片的影响,根据交通标志各大类的图案特点,训练不同的识别网络,从而得到较好的识别效果。本文采用的算法经过实验验证表明是比较可行且有效的,在检测和识别方面都具有不错的效果。