交通标识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、交通标识自动维护、无人车自动驾驶等多方面具有重要作用,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、视角倾斜、背景色相似干扰等问题使交通标识识别系统的研究面临许多困难。本文在总结交通标识识别技术研究现状的基础上,分析了现有方法存在的问题,基于TensorFlow框架搭建了改进的卷积神经网络,用于识别交通标识,并对交通标识识别上位机系统进行了设计和实现。本文研究内容如下:1.针对交通标识识别问题,基于TensorFlow框架实现了一种多尺度特征卷积神经网络。利用卷积核滑动滤波提取特征,通过最大值池化技术降维,通过调整网络结构中的参数和使用RELU激活函数来优化网络性能,采用Dropout、L2正则化和早停(early stopping)方式来防止过拟合。网络模型在GTSRB数据集上进行测试,识别准确率达99.26%。2.针对GTSRB数据集数据样本各类数据量分布不均衡问题,采用水平垂直镜像,随机旋转和投影变换来增加数据集的均衡多样性。针对交通标识在不同光照条件下会产生特征提取干扰的问题,使用改进的自适应直方图均衡化方法,对GTSRB交通标识数据集中的数据样本进行前期处理。同时,为了增强系统的安全性,可靠性和灵活性,加快运行速度,本文将数据预处理和训练过程都配置到云服务器上运行。3.设计了交通标识识别系统上位机软件,上位机软件中将卷积神经网络模型导入,在本地完成了对实景图片和视频流样本的测试,取得了较好的实验效果。综上所述,本文提出的方法能够达到较高的准确率和分类精度,同时保证了识别效率。本文开发的交通标识识别上位机系统,可以实现对实景图片和视频流的交通标识的识别,最终得到80.36%的测试准确率。