交通标识识别作为智能交通系统的一个重要组成部分,已成为国内外视觉研究领域的一个热点问题。交通标识种类繁多,自然场景中面临复杂背景、光照、污染、变形、遮挡等多种因素的影响,这些对交通标识识别方法的准确性、鲁棒性和实时性都提出了较高的要求。基于稀疏表示的识别方法由于具有识别率高、鲁棒性强等优势,近年来受到越来越多的关注,并且在人脸识别中获得了较好的实验结果。本文重点研究基于稀疏表示的交通标识识别方法,并对其中的一些关键步骤进行了研究和改进。本文首先对德国交通标识数据库(German Traffic Sign Recognition Benchmark)中的实验样本进行图像预处理,然后采用经典的稀疏分解算法——正交匹配追踪算法进行了实验的分析和比较,结果表明正交匹配追踪算法在交通标识识别中同样具有较高的识别准确率和较强的鲁棒性。接着本文介绍并分析了一种新型的稀疏表示方法——基于两阶段的稀疏表示识别算法,该算法在小规模人脸识别中获得了比较好的实验结果。但是如果类别数较多,训练样本集较大时,该算法求取稀疏表示需要非常大的内存开销,因此在实际使用中存在一定的限制。根据该算法的不足,本文提出将冗余字典拆分成多个局部的字典,并从局部字典中选取M近邻进行识别。实验结果表明,本文提出的方法在交通标识识别中具有比传统正交匹配追踪算法具有更好的识别效果。由于改进的两阶段的稀疏表示算法采用的是局部字典,通过M近邻选出的样本不具有全局性,因此本文提出了基于核距离的稀疏表示识别算法。该算法利用高斯核函数诱导出的距离函数对测试样本与训练样本进行相似性度量,从中选取与测试样本距离最近的M个训练样本对测试样本进行稀疏表示,并进行分类。由于核距离很好的体现了训练样本的差异性,因此该算法的识别准确率得到了进一步的提高。实验结果显示了基于核距离的稀疏表示识别算法具有较高的识别率,并且计算速度得到了提升。交通标识种类繁多,其中很多标识存在相似性,这些相似的标识很容易被误识。针对这一情况,本文对基于核距离的稀疏表示算法进行改进,提出基于粗细两层的交通标识识别算法,以进一步提高识别率。首先根据相似性将待识别的交通标识类别分为限速类、警告类和其它三大类别；然后采用基于核距离的稀疏表示算法进行粗分类；最后对限速类和警告类的标识在各自大类别内进行进一步的细分类。实验结果显示,这种粗细两层识别的方法与直接给出识别结果的方法相比,正确率高出约1%。