随着国民经济的飞速发展,家庭汽车越来越普及,这就对预防交通安全事故和解决交通拥堵等问题提出了更加具有挑战性的要求。在这样的背景下,智能交通系统作为一项新的科学技术创新引起了大家的关注。基于视频的道路交通标志识别作为智能交通系统的重要组成部分,可以提高驾驶的安全性,减少交通事故的发生,是智能交通研究的重要内容。针对复杂的自然场景,识别技术的不成熟,如何准确、快速识别出场景中的交通标志图像是智能交通技术的研究热点,具有一定的研究和应用价值。本文主要从复杂场景下交通标志图像的预处理、交通标志图像的检测、交通标志图像的识别这几方面进行了深入研究,研究内容如下:1.图像预处理方面:为了提高检测和识别的速度,本文首先在保证标志信息完整的前提下,采用降采样方法对采集的交通标志实景图像进行抽样处理,降低了图像分辨率,减少了处理的数据量,同时对图像进行了归一化处理,便于后续的检测与识别;其次,为解决获取的交通标志图像对比度不足问题,在研究分析常用图像增强算法的基础上,采用了直方图均衡化的方法对图像进行亮度增强处理;最后,研究了图像的去噪方法,通过对比实验,最终选用中值滤波算法对交通标志实景图进行去噪处理,有效降低了图像的噪声。2.图像检测方面:为了提高交通标志的检测效率,对基于颜色模型的交通标志检测算法和基于轮廓形状的交通标志检测算法进行了研究分析和实验,并在此基础上,提出了一种融合颜色和形状特征的基于HSV颜色模型和角点形状的交通标志检测方法。该方法原理是首先将获取的RGB颜色模型图像转化为HSV颜色模型表示,在HSV颜色空间中进行颜色特征的粗检测,其次,根据交通标志形状特征建立形状角点掩模,利用掩模进行卷积运算确定角点,最后采用角点进行形状的检测与分割。实验结果表明该方法有效提高了检测效率。3.为了提高交通标志的识别率和识别速度,对传统的模板匹配识别算法进行了研究与实验,并在分析实验结果的基础上,提出了一种基于Pearson相关系数的模板识别算法。该方法是通过提取标准图像和待识别图像的水平、垂直、45°和135°四个方向的灰度分布,进行Pearson相关系数的匹配识别。实验表明,该方法比传统的去均值相关系数匹配法识别准确率高,速度也相对较快。4.在分析SIFT特征识别算法特点的基础上,着重研究了其优化算法SURF特征识别算法,该算法通过构建Hessian矩阵,生成所有的兴趣特征点,然后在所构建尺度空间里对Hessian矩阵中的关键特征点进行定位,再为特征点分配主方向生成特征点描述子,最后通过SURF特征匹配完成识别。该算法原理是先对检测分割得到的交通标志进行粗分类,再对交通标志进行SURF特征提取与描述,最后将粗分类结果与模板库的特征向量集进行特征点匹配来完成识别。实验结果表明,基于SURF特征识别对于交通标志的识别效果较好。5.研究了BP神经网络的识别算法,并针对BP神经网络算法训练时间长,收敛速度慢的缺点,提出了改进的BP神经网络识别算法。该算法首先以自适应方式代替手动方式对学习速率进行调整,同时增加了动量项的设置,压缩了S函数的范围;其次对样本库进行了分类细化。实验表明,改进的算法加快了神经网络识别算法的收敛速度,减少了训练时间,交通标志的识别率和实时性有明显提高。6.在以上研究成果的基础上,利用Microsoft Visual Studio 2010结合OpenCV开源视觉库设计了并实现了基于MFC框架的交通标志识别原型系统。该系统主要集成并实现了视频读取、图像预处理,标志检测、标志识别等功能模块的功能。