交通标志识别系统TSR(Traffic Sign Recognition)是ADAS的重要子系统之一。TSR系统通过识别交通标志给驾驶员提供警告和指导信息,智能保障车辆有序、规范地行驶。针对自然环境下多尺度交通标志易被错漏检、检测延迟、识别准确度低等关键问题,本文着重研究基于机器学习的交通标志检测与识别方法。本文主要研究内容如下:(1)研究提出了交通标志数据集的构建和图像预处理方法。针对常见的交通标志开源数据集包含交通标志类别少、国内外差异较大等问题,自行构建了包含指示标志、警告标志以及禁止标志三种类型的国内交通标志数据集;然后,为解决三类样本标注框的数量差异较大问题,采用诸如多通道融合等图像预处理技术对数据集进行均衡化,从而为本文后续的交通标志检测与识别算法的训练和测试提供了样本支持。(2)研究提出了基于特征增强改进SSD的交通标志检测方法。针对常规SSD目标检测框架对小尺度交通标志检测精度低问题,在分析对比不同基础网络对SSD性能的影响后,选用综合性能更高的VGG-16网络作为SSD的基础网络;考虑到SSD网络高、低特征层上小尺度交通标志细节信息与语义信息的不平衡,本文先采用多层特征融合的方法,再结合SE模块,分配通道特征权重,从而提高小尺度交通标志的检测精度;改良的非极大值抑制算法不仅能够精简检测框,同时还能避免贪婪抑制。实验结果表明,基于特征增强改进SSD的交通标志检测方法有效降低了交通标志的漏检率、误检率,显著提升了交通标志检测的精确度。(3)研究提出了基于深度视觉特性学习的交通标志识别方法。研究了卷积神经网络的识别原理,针对基于常规卷积神经网络模型的类型识别网络只学习到类别信息,本章节在常规卷积神经网络基础上增添视觉特性学习网络,从而将交通标志的形状、颜色、图文内容这三种视觉特性元素与类别信息同时作为网络学习内容。学习了视觉特性描述的语义信息后的网络更容易理解交通标志,进一步提高类型识别的准确率。(4)设计并实现了一套基于本文改进算法的交通标志检测与识别软件系统,该软件系统测试结果表明,该系统对于自然环境下多尺度交通标志识别准确率达到95%以上,准确性和实时性都达到期望效果。