近些年,随着辅助驾驶系统、智能交通系统、自动驾驶等技术的发展,交通标志的检测与识别成为至关重要的一环。道路交通标志的检测识别过程,通常针对采集、处理后的车辆行驶道路场景图像分别使用目标检测和目标识别算法,确定交通标志的位置、范围和类别。在传统的图像检测识别中,一般需要完成复杂的特征工程,而这种模式对特征的设计要求很高,往往需要具备尺寸不变性、旋转不变性、光照不变性等优良特性。随着深度学习的发展,高鲁棒性的检测识别结果在学术界引起广泛关注,然而这种结果却需要依靠海量数据集的支撑和复杂模型的训练来提高泛化效果,同时很难直接应用于嵌入式设备。传统图像处理的算法设计与目标任务存在直接联系且具备明显的可扩展性、透明性、研究性,与CNN相结合可以正好做到优势互补。因此本文就以道路交通标志为对象,分别对基于传统图像处理检测算法和基于轻量级CNN识别算法展开深入研究,同时基于Fast-RCNN框架将两者算法进行结合并在移动嵌入式设备上完成原型系统的设计与实现。其中主要研究工作如下:1.针对道路交通标志检测阶段,根据交通标志颜色和形状的宏观特性提出了多色彩空间的联合分割算法,在此基础之上又提出了基于区域生长的改进算法,对颜色分割后的二值图中的连通域进行消除和融合以获取含有完整交通标志的颜色区块,接着在处理颜色区块中提出了斜投影下的形状检测算法,使得提取到的交通标志样本得到变形恢复,最终实现了基于候选框提取并以LBP-SVM为分类器的传统交通标志检测算法。2.针对道路交通标志的识别阶段,在使用传统图像处理方法对数据集进行预处理和图像增强之后,提出了一种结合局部二进制模式下的轻量型卷积网络结构,完成了对道路交通标志的识别任务,并具有较高的鲁棒性。3.针对交通标志检测识别系统,提出了一种基于本文传统图像处理方法所设计的候选框提取算法与LB-Ghost轻量级CNN网络相结合的检测识别系统,为交通标志检测识别算法应用于搭载车载系统的嵌入式设备提供了一种可行方案。4.本文所提出的算法在德国交通标志数据集上均进行了相应的实验分析,并且基于移动嵌入式设备设计和实现了相应的原型系统。根据原型系统的性能测试显示,该算法基本可以应用于搭载车载系统的嵌入式设备中。