道路交通标志是一种包含了大量交通信息的道路设施,它对保证驾驶员的安全驾驶有着重要的指导作用,但通常由于驾驶员疲劳驾驶或者大意疏忽等原因忽略了道路上的交通标志牌而酿成惨剧,给一个家庭和社会带来灾难性打击和伤害。交通标志识别系统是高级辅助驾驶系统的重要组成成分,它能很好地帮助到驾驶员了解前方道路路况并及时提醒驾驶员规范操作,这将大大减轻驾驶员的驾驶压力,减少交通事故发生的可能性。但是,由于真实的道路环境相当复杂,光照强度多变、天气恶劣、遮挡等不利因素都给交通标志识别系统研究带来很多的挑战。对此,本文在总结了大量国内外相关文献的基础上,利用机器学习和深度学习等相关知识重点进行了交通标志识别算法研究,本文的交通标志识别研究工作分为两个阶段:交通标志检测和交通标志分类,交通标志检测指从输入图像中检测出包含交通标志的区域,交通标志识别指对检测阶段检测出来的交通标志区域进行具体类别的判断,输出对应的类别标签。本文的主要工作和创新点如下:(1)在检测阶段,针对交通标志候选区域的提取问题,本文使用HSV颜色分割和最大稳定极值区域(Maximally Stable Extremal Regions,MSER)方法来完成对交通标志候选区域的粗提取。本文通过在训练数据集上提取大量不同颜色的像素点来计算HSV图像中不同颜色像素点在H、S、V三种分量上的取值范围来确定颜色分割阈值。由于交通标志图案色彩均匀、统一,色调和饱和度一致,并且比周围背景更亮,这使得交通标志在颜色分割后是以连通域的形式存在,本文在颜色分割完成之后使用MSER方法来实现交通标志候选区域的提取,相比传统的滑动窗口方法,本文的候选区域提取方法在速度上有很大的提升。(2)在检测阶段,针对候选区域提取特征问题,本文重点研究了提取的交通标志方向梯度直方图(Histogram Of Oriented Gradient,HOG)特征中不同间隔bins权重之间的关系,提出一种改进的HOG特征,使得提取HOG特征的过程得到了很好的简化并降低了HOG特征向量的维数,有效降低了整体的检测时间。(3)在分类阶段,本文在传统的卷积神经网络(Convolutional Neural Network,CNN)模型基础上加入了颜色变换模块和空间变换模块,并且用极限学习机(Extreme Learning Machine,ELM)分类器取代了卷积神经网络中的全连接层用于分类输出。颜色变换模块用于将原图像转化到合适的颜色空间,不同于传统的颜色空间转化,它是一种通过参数学习的方式在网络训练过程中不断调整、更新颜色变换矩阵来找到对分类任务最合适的颜色空间。空间变换模块用于实现对特征图或者原图像进行空间变换,帮助找到图像中与分类目标高相关区域。ELM分类器具有参数少、快速、泛化能力强等优点,正好弥补了传统卷积神经网络全连接层分类器参数多、泛化能力弱、容易达到局部最优等不足。(4)为了进一步验证本文的检测算法具备良好的泛化能力,我们制作了一份小规模的我国的交通标志数据集,总共600张,包含963个交通标志,每张图片都进行了标注。本文提出的交通标志检测算法在德国交通标志检测标准(German Traffic Sign Detection Benchmark,GTSDB)上实验,并在我们自制的数据集上进一步验证。本文的分类算法在德国交通标志识别标准(German Traffic Sign Recognition Benchmark,GTSRB)数据集上进行实验,实验证明本文的识别方法在准确率和速度上都取得了良好的效果。