交通标志识别作为智能交通系统和无人驾驶技术的关键环节之一,识别精度直接影响智能交通系统和无人驾驶汽车的安全性和可靠性。因此,研究雾霾天气下的交通标志图像识别算法具有重要的理论价值和现实意义。结合无人驾驶项目需求,着重研究了含雾交通标志图像去雾处理和基于CNN的交通标志图像识别算法,并完成了算法的仿真实验,所做的主要工作如下:(1)针对传统暗原色估计算法对含雾交通标志图像去雾处理后出现的“halo”效应,设计了一种多尺度窗口的自适应暗原色估计算法,通过对图像进行边缘检测并根据景深边缘信息改变窗口尺寸得到自适应暗原色估计图。针对含雾交通标志图像去雾处理后明亮区域失真现象,设计了一种自适应透射率修复的图像去雾算法,通过构建大气耗散函数并根据纹理信息对大气耗散函数进行修正,进而实现透射率的自适应修复。实验结果表明,改进算法较好的解决了“halo”效应以及明亮区域失真问题,去雾效果较好。(2)针对传统识别算法对交通标志识别正确率低的问题,引入神经网络方法对交通标志进行识别。针对经典卷积神经网络VGG16要求输入图像大小固定的缺陷,结合迁移学习知识并引入空间金字塔池化对VGG16网络模型进行改进。通过对最后一层卷积特征图进行多个尺度的池化处理,并将这些池化结果合并来保持固定维度的输出。实验结果表明,改进的VGG16网络迁移模型识别正确率可达97.8%。(3)在充分借鉴Inception系列网络思想和分析交通标志图像特性的基础上,构建了专用的卷积神经网络TSD-CNN。该网络使用全局平均池化层替代全连接层,从根本上打破了网络输入尺寸的固定性;引入Inception卷积模块组来提取更多的目标特征,增加了网络深度;引入BN层对输入批量样本进行规范化处理,提升了网络收敛速度;同时改用性能更好的Leaky ReLu激活函数,解决了部分神经元不能激活的问题。实验结果表明,设计的TSD-CNN识别正确率得到显著提升,可达98.5%以上。