交通标志是重要的道路信息之一,其利用不同形状、图案和颜色的组合向驾驶人员和行人传递不同的道路信息。智能车辆系统通过检测当前的交通标志信息,对驾驶人员进行提醒或者警告,可以有效地减少交通事故的发生机率。因此,对于交通检测与识别系统的研究具有重要的现实意义。本文将实现一种具有良好检测率和识别率的交通标志检测和识别算法。在交通标志检测阶段,本文主要利用交通标志颜色和形状两个重要特征。在交通标志颜色提取方面,本文分别利用RGB颜色增强法和颜色分类器的方法来进行交通标志的颜色提取。RGB颜色增强法利用归一化的颜色空间,计算通道间的差值实现颜色特征增强。颜色分类器的方法通过提取不同条件下的红蓝像素点训练SVM颜色分类器,将待检测图像的每一个点送入到分类器中进行判别得到特征灰度图。在交通标志候选区域提取方面,本文利用交通标志的形状信息,采用模板匹配和最大稳定极值区域两种方法。模板匹配是利用设计好的模板与灰度图像进行卷积计算,卷积值大的区域即为交通标志潜在的区域。最大稳定极值区域通过计算提取的灰度图中灰度变化比较稳定的区域,而交通标志区域颜色提取后的灰度值变化往往比较稳定,检测到的最大稳定极值区域就可以视为交通标志候选区域。本文分别利用HOG特征结合SVM分类器的方法和卷积神经网络实现了交通标志候选区域筛选,判断其是否为交通标志,从而实现了交通标志的位置检测。在交通标志识别阶段,本文利用传统的机器学习方式,设计了一种由粗到细的基于HOG特征和SVM分类器交通标志识别方法。该方法先判断交通标志的大类类别,再利用其类别的细分类器得到具体类别。另外,本文又设计了7层的卷积神经网络实现交通标志识别,并通过卷积核分组的形式减少了卷积层的参数量。本文对提出的算法进行了实验,经验证,本文的算法在交通标志检测和识别中切实可行有效。