文字交通标志包含了地点、距离、方向、警告等很多与交通状况有关的语义信息,这些信息给司机和行人提供了重要的道路提示。对文字交通标志的准确检测和包含文本内容的准确识别,不仅能为司机或智能交通系统提供安全的驾驶,还能为司机或智能交通系统提供辅助决策信息,进一步协助解决交通安全驾驶和交通拥堵等问题。本文就文字交通标志的检测和识别问题进行了探索和研究。提出一种基于视频码流的交通标志文字检测方法。该方法充分利用编码块像素之间的相关性和交通标志码流时间相关性,包括三个功能模块:交通标志文字边缘检测模块、交通标志文字初步检测模块和交通标志文字修正检测模块。通过帧内预测模式、CBP值和像素残差信息对交通标志进行边缘检测。根据交通标志形状几何特性、交通标志底色和交通标志文字部分特性进行交通标志文字初步检测。通过帧间预测模式概率分布,矢量残差值绝对值求和以及像素残差分布情况CBP值统计情况,对交通标志文字进行修正检测。该方法在保持较高检测精度情况下,检测时间大大缩短,有利于文字交通标志的实时检测。为进一步提高检测精度,提出了基于码流和深度学习的交通标志文字检测算法。通过视频码流分析得到文字交通标志判决置信度值,根据判决置信度值的不同分类处理。文字交通标志的置信度高于0.78,直接判断其为文字交通标志;当交通标志的置信度低于0.3时,直接判断其不包含交通标志区域;置信度在[0.3,0.78]区间做进一步的判断,通过基于码流交通标志检测分类算法给出交通标志候选区域,通过基于深度学习的交通标志检测算法进行判断。对特征提取网络Res Net网络进行改进,采用YUV残差数据和YUV数据共同进行特征提取,提高模型检测效率。实验结果表明,本文检测算法在检测率、误检率、平均检测时间等方面具有较好的文字交通标志检测效果。实现了一种基于CRNN的交通标志文字识别算法。将基于CRNN自然场景文本识别方法应用于文字交通标志文本识别。首先通过基于码流和深度学习的交通标志文字检测方法得到的交通标志文字区域,在此区域内利用基于CRNN的文字识别算法识别交通标志文字。