在自动驾驶技术中,道路交通标志的检测与识别是其重要研究课题之一。传统的交通标志检测算法通常在PC端实现。随着近年来片上系统(System on Chip,SoC)硬件平台的不断开发、以及现场可编程门阵列(Field Programmable Gate Array,FPGA)+ARM的多核片上硬件系统性能的不断提升,基于嵌入式硬件系统的交通标志检测技术体现出便携性、实用性和广泛性等特点。本文基于ZYNQ硬件平台,提出了一种交通标志检测的片上系统设计方案,并进行了工程实现。主要研究内容如下:(1)基于HOG特征的交通标志特征提取方法研究。分析了方向梯度直方图(Histogram of Oriented Gradient,HOG)的特征提取方法,并将HOG特征应用于交通标志的特征提取,通过PCA进行特征降维,在保证特征信息完备的同时,降低了计算量,增强了算法的实时性。研究了HOG特征在ZYNQ平台上的具体实现方法。(2)基于BP神经网络分类器的研究。分析了BP神经网络分类器的分类算法;研究了误差反向传播神经网络(Error Back Propagation,EBP)即BP神经网络原理,通过不断改进其学习能力和泛化能力、不断调整网络权值,使其网络逐步达到所需要求。研究了BP神经网络作为分类器,在交通标志检测中的具体应用方法和算法步骤。(3)基于ZYNQ硬件平台的交通标志检测算法研究与实现。系统采用ARM+FPGA架构,用FPGA对图像预处理、HOG特征提取、BP神经网络分类等计算量大的操作进行硬件加速,将结构复杂的流程控制由ARM灵活实现,从而大大增强了软硬件协同性能。整个系统在保证检测精度的条件下,大幅提高了检测的实时性,具有便携性、实用性等特点。