交通标志识别系统作为智能驾驶系统的重要组成部分,在先进驾驶辅助、交通标志自动维护、无人车自动驾驶等多方面都具有重要作用,是智能驾驶系统研究的关键和基础。然而,真实的道路交通环境复杂多变,光照条件、天气状况、局部遮挡、多个标志聚集、视角倾斜、背景色相似干扰等问题使交通标志识别系统的研究面临许多困难,实时性的要求也使得实际的应用远未达到成熟地步。本文在总结交通标志识别技术研究现状基础上,分析了交通标志识别技术研究的难点以及现有方法存在的问题,对交通标志检测算法和交通标志分类算法进行了创新研究,主要工作包括:第一,针对现有交通标志检测算法对光照和形变敏感、分割阈值难以选择而导致检测准确率不高、鲁棒性较差,或难以满足实时的要求,提出了一种基于选择性搜索的交通标志检测方法。该方法采用改进的分层分组算法获取交通标志目标假设区域集合,然后直接对该假设区域集合进行方向梯度直方图(Histogram of Oriented Gradients,HOG)特征提取和训练,不再对图片进行穷举搜索。其中,在改进的分层分组算法中使用了权值组合的相似度策略对分割区域进行合并,以便得到更多更好的交通标志目标假设区域集合。实验结果表明,该方法具有鲁棒性强、检测准确率高、实时性更好等优点,有一定的现实应用潜力。第二,针对现有基于卷积神经网络的交通标志分类算法网络结构复杂,网络训练和标志识别的过程耗时长,难以满足实时应用要求以及对多尺度交通标志的识别鲁棒性较差等问题,提出了一种快速多尺度卷积神经网络交通标志分类算法。该算法采用更简单的网络结构,自动学习交通标志的多尺度特征,并在训练中采用矫正线性单元(Rectified Linear Units,ReLu)减少耗时,使用Dropout策略防止过拟合。实验结果表明,该方法能够分类出各种尺度大小的交通标志,在保证高分类准确率的同时,实时性也得到了较大的提升。第三,在上述研究的基础上,设计并实现了一个交通标志识别原型系统。该原型系统对输入的交通标志能进行实时的检测和识别,有一定的应用价值。