随着社会的飞速发展和道路交通系统的日益完善,我国人均汽车保有量快速提升,但交通拥堵和安全等问题也随之而来。用于解决这些问题的智能辅助驾驶和智能安全等技术正受到各国的广泛关注,各国政府都投入大量经费对其进行研究。智能车是智能辅助驾驶的重要组成部分,是一个集环境感知、决策规划以及辅助驾驶等功能于一体的智能平台,代表了汽车未来的发展方向,具有广阔的应用前景。作为智能车环境感知系统的关键组成部分——路面交通标志的检测和识别长期以来是学者们研究的重点课题,该技术通过提取相机采集的道路图像上交通标志的特征,及时检测与识别道路上的交通标志。然而,相机采集到的图像有较强的透视形变,这会造成图像中的路面标志或多或少存在一定的变形,从而导致失真,不利于后续的检测和识别。因此,快速地减弱甚至消除道路图像中的透视形变,并将其应用于路面标志的检测与识别中是智能辅助驾驶中的一项关键技术。基于此,本文提出了一种快速减弱道路图像透视形变的方法,该方法可以重构出相机位于其他车道拍摄到的图像,以此来减弱每条车道上路面标志的形变,并将处理后的图片用于交通标志的检测与识别。此外,鉴于该算法还可以扩充图像,增大原始图像数据量,本文又用基于深度学习的目标检测方法来对扩充后的图像做训练,并检测原始图像上的交通标志。首先,本文介绍了快速减弱道路图像中透视形变的选题背景以及研究意义,接着分析了传统检测方法和基于深度学习的目标检测方法面临的问题,从而引申出了本文的主要工作及内容安排。其次,本文对相机成像模型做了一个简要的介绍,列出了其中涉及到的坐标系,给出了三维空间的点映射到二维平面上的数学模型,并分析了如何根据已知二维图像平面去恢复三维空间中某一平面的信息,即逆透视变换。接下来,本文提出了一种有效的算法来减弱道路标记的透视形变。对于相机采集的道路图像,我们首先预处理原始图片,降低图片上的噪音信息和去除掉一些无用信息(比如天空,车头等),接下来通过改变视点来重建道路图像,就好像它们是由位于每条车道前方的摄像机所拍摄一样,最后为了验证所提算法在识别阶段的性能,我们将处理后的具有较弱透视形变的图片应用到路面标志识别中。最后,本文利用所提算法可以根据已知图像重构出相机位于前方、左边、右边时的道路图像这一特点,扩充了道路图像数据库,并用目前主流的基于深度学习的目标检测方法Faster R-CNN来对图像上的交通标志进行检测。