车辆的增多、路况的拥挤和行车操作不规范等,都会造成交通事故的频繁发生。智能交通系统可以规范行车者安全驾驶行为,降低交通事故频繁发生的次数,所以对其进行研究至关重要,且极具深刻意义。交通标志的检测与识别在智能交通系统中占主导地位,因此本文的研究极具意义。由于实际的道路背景十分复杂,对复杂环境下的交通标志进行检测与识别算法研究难点重重。本文主要从交通标志检测和识别这两个方面进行研究。检测是指从原图中检测到包含交通标志的区域,识别是对检测到的交通标志进行判别。本文的主要工作内容为:(1)复杂环境下的交通标志检测。本文提出一种改进YCb Cr颜色阈值分割和几何特征筛选方法作为本文的检测算法,该方法的检测准确率达89%。本文交通标志检测数据集图像包含过多的干扰因素,如天气因素(下雨、有雾),光线因素(树荫、背光)以及相机因素(模糊、畸变)等。一般方法都需要进行直方图均衡化和中值滤波等处理,但是本文所提方法只需要进行二值化处理,相对其它方法而言,本文的检测方法更好。首先对处理后的图像进行YCb Cr颜色阈值分割,得到初步目标区域,但是部分还有背景干扰区域;将其再经过形态学处理、面积筛选和几何特征筛选来进一步将道路交通标志与背景区分开;最后得到目标的区域位置并在原图上标出,从而实现目标检测,实验证明,与其它基于颜色阈值分割和MSER分割的检测方法相比,本文改进的检测方法更好。(2)复杂环境下的交通标志识别。本文提出一种Gist+PHOG并行融合方法来提取交通标志的特征,将该融合特征、串行融合特征、Gist特征和PHOG特征分别通过分类器进行训练和测试,实验结果证明,本文提出的并行融合特征更有利于提高分类器的识别性能。将融合特征分别通过优化后的支持向量机、极限学习机和随机森林识别模型,其识别准确率分别为93%、78.19%、87.23%,测试与训练所用时间分别为0.081s、0.416s、1.23s,因此本文使用特征融合和PSO优化的SVM的识别模型进行识别。