交通标志目标的检测与分类识别是实现智能驾驶的重要组成部分,不仅能够辅助驾驶员安全行驶,而且是无人驾驶实现的重要环节。自然场景下,交通标志目标的检测与分类识别因受到不同天气、光照强度、标志形变以及标志偏转等因素的影响而极具挑战性。此外,为了考虑道路中各种背景干扰因素的影响,一般采集到的图片均为高分辨率的远景图片,使得交通标志目标在图片中所占比例较小。现有的交通标志目标检测与分类识别算法不能很好地解决这些问题。本文结合深度学习和图像处理算法,针对上述问题实现了对交通标志目标快速准确地检测与分类识别。主要研究内容有以下几个方面:(1)分析了交通标志具有的特征,对检测和识别交通标志常用的几个数据集进行介绍。阐述了交通标志检测和识别常用算法,并针对交通标志目标检测与分类识别的难点进行了总结概括。之后介绍了深度学习YOLOv3网络模型和迁移学习算法的具体内容。(2)提出了一个基于改进YOLOv3的交通标志目标检测与分类识别方法。针对采集到的远景图片中交通标志目标较小的问题,提出了一个TSR-YOLOv3深度神经网络。通过改进前期的特征提取残差网络,并在小尺度检测层融合浅层网络特征实现对小尺度的精准识别。此外,采用各种恶劣天气状况下的数据集展现自然场景下的多种道路环境,应用暗通道先验去雾算法对训练图像进行图像增强,并将TSR-YOLOv3网络先在裁剪后的低分辨率图片上训练,然后在高清远景图片上进行迁移学习再训练,以便加速网络的收敛。(3)提出了基于颜色和形状的交通标志目标检测与分类识别方法,为了克服不同光照强度的问题,利用受光照影响较小的HSV阈值分割方法结合形态学图像处理方法来检测交通标志。之后通过凸包检测拟合多边形区域,并求解多边形的弧度值以及大致平行于水平线的旋转角度,设定在一定范围内的即为目标区域,这对于标志偏转、标志形变以及拍摄角度不可控等因素的影响具有很好的鲁棒性。最后我们使用改进的Le Net-5神经网络结合SVM分类器对得到的目标区域进行分类识别,通过使用平方铰链损失代替交叉熵损失解决了网络过拟合问题。