交通场景中,交通标志是以颜色、形状、字符、图形等向交通参与者传递特定信息的公共设施。交通标志的检测与识别是智能驾驶辅助系统中重要的组成部分,具有现实的研究意义和巨大的应用需求。在复杂的交通场景中,正确的检测与识别交通标志是一项具有挑战性的研究课题。本文针对视频交通标志检测过程中颜色失真、形状失真以及车行过程中交通标志尺度变化情形下检测精度不高的问题进行研究,提出多特征协同的检测方法。主要工作包括以下两个方面:针对交通场景图像中交通标志因颜色失真、形状失真和尺度变化导致漏检严重问题,提出一种颜色特征、形状特征和尺度特征的多特征协同方法来提高单帧图像的交通标志检测召回率。从交通场景图像计算颜色增强图,将采用多阈值分割方法和闭合轮廓的曲率直方图链码表达,形状特征的尺度归一化处理分别得到的区域相结合。融合颜色特征和归一化后的形状特征构成区域的特征向量,采用SVM(Support Vector Machine)分类获得检测结果。实验结果表明本文算法在较低时间复杂度下,能有效提高通常情形和以上三类情形下的交通标志检测精度。在单帧图像的交通标志算法基础上,提出一种融合场景深度信息的交通标志检测算法来提高基于视频的交通标志检测精度。首先融合时空序列恢复场景的深度信息,然后基于静态目标的深度一致性关联相邻帧的交通标志检测结果,利用交通标志成像尺寸与深度的比例关系相对稳定这一特征约束交通标志检测结果,从而提高检测精度。基于一个公开的多目视频序列数据集进行实验,结果表明基于深度信息的交通标志检测方法在召回率损失不大的情形下,能够有效地降低交通标志的误检率。在稳定检测出交通标志的基础之上,提取同一交通标志在多帧图像中的SURF特征构成SURF特征集,与标准交通标志图像的模板特征集匹配,得分最高的标准图像即为识别结果。