交通标志识别是智能交通系统的重要组成部分,在驾驶辅助系统、无人驾驶汽车等领域具有重要的应用前景。然而目前精确地识别出交通标志会存在着一定的难度,现有的交通标志识别算法还存在一些不足之处。本文在总结现有研究方法的基础上,对一些传统交通标志识别算法进行了改进,论文的主要研究内容如下:(1)由于交通标志图像受到各种外界因素的影响,会出现形状、亮度、尺寸等差异,在特征提取前需要对交通标志图像进行预处理。本文研究了交通标志图像预处理方法,包括图像灰度化、直方图均衡化和尺度归一化。(2)提出一种基于融合HOG-LBP特征及稀疏表示的交通标志识别方法(HOG-LBP-SRC)。为了弥补单一特征的不足,提取到具有鉴别意义的特征,选取改进的HOG特征和统一模式LBP算子,通过广义典型相关分析方法进行特征融合,最后使用稀疏表示分类器对融合特征进行交通标志的分类识别。实验结果表明,该方法有效提高了交通标志识别效率,且融合特征相比于单个特征具有更好的分类效果。此外,基于本章提出的方法,本文使用MATLAB软件GUI平台设计了交通标志识别系统GUI界面,交通标志识别系统GUI界面主要包括三个子界面:图像预处理界面、特征提取可视化界面以及交通标志分类识别界面。(3)针对海量数据特征和复杂环境下的交通标志识别,本文提出了一种基于CNN多层特征表达和极限学习机的交通标志识别方法。利用CNN网络提取多层交通标志特征图;然后采用多尺度池化操作将提取出的各层特征向量联合形成一个具有多尺度多属性的交通标志特征向量,进一步丰富了图像的特征表达;最后使用极限学习机分类器准确快速地实现交通标志的识别。实验结果表明,本文提出的方法能够有效地提高交通标志的识别准确率,大幅缩短训练和识别时间。此外,针对复杂环境下的实验表明,本文所提算法在复杂环境下仍具有较强的鲁棒性。