交通标志的识别在智能交通、无人驾驶等应用中具有重要的作用。由于交通标志受光照和背景复杂等环境因素的影响,且各国或地区交通标志图案复杂多样,通用且准确的交通标志识别仍然是一个具有挑战性的问题。现有的交通标志识别方法取得了较好的效果,但仍存在着一些不足。一方面,在检测交通标志候选区域时,现有方法未考虑到交通标志牌表面不同颜色的共同特性及制作材料的特性;另一方面,在交通标志区域识别时,现有方法通常要先对交通标志候选区域分类,再利用先验知识过滤非交通标志区域,如红绿灯、路边商标等。现有的交通标志候选区域识别方法通用性不强,且在交通标志区域形变较大时、非交通标志区域过多时,交通标志的分类方法鲁棒性不好。鉴于其重要性和存在的问题,本文针对交通标志候选区域的检测和交通标志区域的识别进行了深入的研究,提出了一种新的基于深度属性学习的交通标志检测和识别算法。在交通标志候选区域的检测上,本文充分挖掘了交通标志牌表面颜色的共性,并利用了制作材料反光性好的特性,这些特性使得交通标志区域在H,S,V颜色空间的三个分量分别形成的灰度图中是连通域。因此,本文提出在该三个灰度图中分别检测连通域以检测交通标志候选区域。首先,对图像进行预处理,将图像转换到HSV颜色空间,之后将HSV三个通道分别形成三个灰度图;然后,在三个灰度图上分别提取连通域作为交通标志候选区域。该方法并不针对特定颜色(如红色、蓝色)的交通标志,且不利用交通标志的形状对称等先验信息,因此,该方法简单且通用性强。在交通标志候选区域的识别上,本文引入了交通标志的形状、颜色、图案内容三种视觉属性(Attribute),提出将这三种视觉属性作为学习约束加入卷积神经网络,同时进行交通标志的属性学习和分类学习。这些视觉属性描述了交通标志的语义信息,弥补交通标志底层图像到高层语义之间的鸿沟,让机器更容易理解交通标志,进而提高分类的准确率。由于在检测过程中,同一个交通标志会被检测出多个候选区域,因此在候选区域分类后,本文设计了交通标志区域确定算法以去除多余的候选区域。在公开数据集 Sweden Traffic Sign Detection Dataset(STSD)和 German Traffic Sign Detection Dataset(GTSD)上进行的实验表明,上述方法能够有效地提高交通标志识别的准确率和召回率。