随着信息技术的进步,道路安全得到了大幅度的提升。当今社会,人们更加专注于车辆行驶过程中因为主观错误所造成的安全问题。由于交通标志包含重要的道路交通信息,在交通运输效率和安全方面起着重要作用。因此,交通标志的自动检测和分类是智能和自动驾驶汽车的一项重要任务。对于复杂的交通路况背景,传统的基于机器学习的交通标志识别往往存在实时性不高,并且对硬件计算性能的要求较高等问题。针对此类问题,本文提出一种基于感兴趣区域提取和卷积神经网络相结合的算法。本文以交通标志作为研究对象,从交通标志图像的预处理、特征提取、检测与识别技术等方面问题开展深入的研究。本文主要做了以下工作:(1)数据集预处理。在进行检测和识别过程之前,对GTSDB(德国交通标志检测标准)数据集进行了一系列的预处理,包括区域裁剪,灰度处理和尺寸归一化,并对处理之后的交通标志图像进行进一步自适应增强,着重突出了交通标志图像的有效特征信息。(2)基于卷积神经网络的交通标志检测方法研究。本文针对GTSDB数据集中的红色边缘类交通标志进行颜色增强,再结合MSER对得到的增强图进行特征提取,然后采用卷积神经网络对感兴趣区域进行分类完成交通标志的过滤误检,检测到交通标志的位置,然后将交通标志从背景图中分割出来,并进行框定。(3)基于卷积神经网络的交通标志分类方法的研究。本文使用了深度学习框架Keras搭建卷积神经网络,使用GTSRB的数据集进行训练和测试,采用在Keras上搭建更深层的神经网络模型对GTSRB数据集进行训练和测试,并通过训练LeNet-5卷积神经网络模型对感兴趣区域进行分类判别,用所训练的模型对三十种交通标志类型进行分类。然后将检测到的交通标志作为输入图像,输入到交通标志分类模型中,得到交通标志的准确信息,对检测到的交通标志进行类别预测,完成交通标志分类,从而达到交通标志识别的目的。实验结果表明,该算法在进行检测和分类识别时两次卷积神经网络分别达到了 97%和98%的准确率,并且极大提升了运算速度,增强了交通标志识别的实时性和鲁棒性。