随着当今各大汽车公司以及研究机构对深度学习技术的研究不断深入,自动辅助驾驶技术也越来越成熟,目前很多新发售的车辆都搭载了自动辅助驾驶功能,该技术可以帮助驾驶员识别前后方路况、路口红绿灯状态、路边行车指示牌等信息并提出相应的行车建议。在遇到城市拥堵或者道路上发生突发情况时,通常会有交警前往现场进行交通疏散,而此时自动辅助驾驶系统就需要对交警手势信号进行识别,由于该功能直接影响到行车安全,所以交警手势识别算法的效率和准确率就显得尤为关键。当前对交警手势信号识别的研究中大多使用深度摄像头或多角度机位来获取交警骨架模型,而深度摄像头在户外识别效果差、检测距离近且成本高昂,多角度机位无法搭载于车辆上,故本文提出了一种使用单目二维彩色摄像头获取视频序列,并结合深度学习算法对交警手势信号进行识别的方法。本文的具体研究内容如下:（1）对视频序列进行预处理。在实际的交通场景中,由于会有空气质量、自然光源、人造光源、摄像头抖动等各种因素的干扰,在最终获取到的成片中,或多或少的都会有一些噪音存在,为了让后续的处理更加顺利,识别鲁棒性更好,就需要采用数字图像处理的手段将获取到的成片进行进一步处理,使得交警变得清晰、易辨认。（2）对预处理后的视频序列进行交警骨骼关节点提取,获得骨骼关节点帧序列。针对传统骨骼关节点特征提取算法和VGG、ResNet、MobileNet等深度学习网络框架对交警骨骼关节点提取速度慢,准确率低的问题,本文提出了结合Hyperpose姿态识别引擎加上基于VGG网络改进的Tiny-VGG网络结构组成的骨骼关节点提取网络,该网络结构大幅提高了骨骼关节点提取性能,使得识别网络达到了实时提取骨骼关节点的要求。（3）对交警骨骼关节点帧序列进行时间特征提取及分类识别。本文利用Hyperpose姿态识别引擎加Tiny-VGG网络提取到的交警骨骼关节点的坐标序列作为交警手势信号时间特征提取网络的输入。时间特征提取网络需要使用循环神经网络,针对传统RNN网络存在的长期依赖特点和使用LSTM网络存在的参数量大、训练速度慢的问题,本文提出了使用GRU门控循环单元作为时间特征提取网络,有效减少了训练参数量,提高了训练速度且几乎不影响准确率。之后将GRU网络提取到的高维特征送入全连接层,通过Softmax函数归一化输出手势类别概率,将其中输出值最大的作为最终判定类别。本文所有实验通过Pytorch深度学习框架、Hyperpose姿态识别引擎、Pycharm Professional 2020.1.2集成开发环境、OpenCV计算机视觉库结合Python3、C++编程语言实现,并最终通过使用公开的中国交通警察指挥手势数据集对本文提出的算法进行测试,证明了本文提出算法的识别速度与准确度均有提升。