基于机器视觉的自然场景交通标志识别是智能交通系统的重要组成部分,对于辅助驾驶和无人驾驶都具有重要意义,得到广泛关注。目前,国内外学者针对交通标志的识别提出了许多方法,但由于自然场景中交通标志识别常受到外界条件影响,仍存在诸多不足。本文围绕基于机器视觉的图像检测与识别方法等关键技术展开,实现了自然场景交通标志图像的预处理、分割、提取及识别。实验表明,本文提出的方法识别率高,能够较好地适应多种外界条件下的交通标志识别。由于自然场景受光照、天气等因素影响,直接对图像进行分割,结果往往不够理想,因此需要对图像进行预处理。目前,常用的预处理方法解决了光照变化的干扰,却很少考虑天气尤其是雾天对图像分割的影响。本文通过图像增强方法减少了光照对图像分割的影响,并采用基于暗通道优先的去雾方法对交通标志图像进行预处理。实验表明,通过预处理的交通标志图像,其颜色特征更突出。准确地将交通标志从背景图像中分割,是实现交通标志识别的前提,本文采用具有明显颜色区域特征的Lab颜色空间对交通标志图像进行分割,并在分割的同时实现交通标志的粗分类。针对自然场景中交通标志被遮挡、干扰等情况,本文采用双向投影法对交通标志进行提取,实验证明该方法能够有效克服夜晚、侧面、遮挡等复杂情况对交通标志提取的影响；另外,针对双向投影法对于同色群组交通标志漏取及合并提取的问题,提出了改进方法,实验表明改进的双向投影法简单易行,实现了同色群组交通标志的单独提取,提取准确率提高,为交通标志的高效识别奠定基础。本文采用基于局部特征的SIFT算法对交通标志图像进行识别,实验表明SIFT算法对交通标志遮挡、旋转、污损等情况具有较好的鲁棒性；分析了基于欧氏距离的SIFT算法的不足,首次将基于Hellinger距离的RootSIFT算法应用于交通标志识别。实验显示,RootSIFT算法提高了交通标志图像特征点匹配的准确率,从而提高了图像中交通标志的识别率。