道路交通标志的检测与识别研究一直是智能驾驶领域中的热点和难点,它为智能驾驶系统提供了重要的指导作用,可以更好的协助驾驶员了解前方的路况信息,引导驾驶员规范操作,减少交通事故的发生。但是,由于实际的道路背景十分复杂,雨雪雾霾天气,光照强弱,树木遮挡等一系列不利因素都对交通标志的检测与识别带来了困难。面对上面各种不利的情况,本文利用机器学习和卷积神经网络相关算法,对复杂背景下的交通标志进行了检测与识别算法研究。本文研究分为两个阶段:交通标志检测和识别。检测是指从原图中检测到包含交通标志的区域,识别是利用检测到的交通标志区域进行识别,判断标志类别。本文的主要工作如下:(1)在交通标志牌的粗检测阶段,为了对光照有更好的鲁棒性,本文采用基于YCbCr空间的颜色概率模型检测候选区域,接着提出基于改进的颜色增强的最大稳定极值区域(MSER)算法检测候选区域,然后将两种算法结合起来,减少大部分干扰区域。最后利用几何特征进一步筛掉干扰区域,得到感兴趣区域(ROI)。实验证明本文算法在复杂情况下仍具有可靠性,而且与其它算法相比,改进后的算法在减少干扰区域上更具有优势,增加了分类的精度,为后续的特征提取和分类减少了工作量。(2)针对感兴趣区域的细分类阶段,本文采用具有较强空间信息表达能力的塔式梯度方向直方图(PHOG)特征与支持向量机(SVM)分类器相结合进行分类。为了找到基于RBF核函数的SVM最优参数对(C,g),在网格参数寻优的基础上使用V折交叉验证法来确定最优参数对(C,g)。接着对红、黄、蓝标志以及背景四类样本进行训练,利用训练好的模型对中国交通标志数据集(CTSD)中的测试图片进行检测分类,并取得了较好的分类精度。通过与主流算法对比,证明了本文所提算法在感兴趣区域个数上的优势。(3)在交通标志识别阶段,为了提高识别速度和识别精度,本文选择较简单的Lenet-5网络模型,并对其改进。为了获得大样本量,对中国交通标志数据集(CTSD)进行20倍的扩增,在扩增后的数据集上进行对比,实验结果证明,改进的网络模型在收敛速度和准确性方面远远超过传统的Lenet-5网络。为了证明模型的泛化能力,在代表性的德国交通标志数据集(GTSDB)上与其它主流算法对比分析,验证了本文算法在分类时间和精度上的竞争力。