最近5年来,道路拥堵的现象在城市交通中变得愈发严重,导致交通事故频繁发生,这些情况已严重威胁到了我国城市的道路交通安全。为应对道路交通安全方面的挑战,基于计算机视觉的智能交通系统(Intelligent Transportation Systems,ITS)已受到广泛关注。交通标志识别技术是ITS系统的关键内容,其通过计算机视觉等相关的技术,识别自然场景中的交通标志。该技术可应用于智能车辆,实现无人驾驶,在保障道路交通安全方面发挥重要作用。由于自然场景中的交通标志存在颜色失真、形变、破损等因素,交通标志识别一直是ITS领域的难点。本文在查阅大量相关的国内外文献的理论基础上,对基于极限学习机的交通标志识别算法进行研究,主要工作如下:提出了一种基于亮度场景分类和改进三分量色差法的交通标志检测算法。该方法将亮度场景分类,RGB空间下的颜色提取和标志的形状轮廓空间特征相结合。首先图像将依据其亮度分布的特点被划分成4种亮度场景,即逆光场景、阴暗场景、明亮场景以及正常场景并采取自适应Gamma变换,减弱对RGB分量的光照影响,实现增强图像。然后采用RGB空间下改进的三分量色差法,提取蓝色、黄色以及红色区域,实现目标区域粗定位。最后根据形状轮廓空间特征精确定位标志。该方法利用了光照情况不同而导致亮度分布不同的特点,综合利用标志的颜色与形状轮廓空间特征。实验结果显示,其满足检测对于实时性以及鲁棒性的要求。提出了一种基于局部特征和ELM(Extreme Learning Machine,ELM)的交通标志识别算法。首先对待识别的交通标志图像采用高斯滤波和图像增强算法进行预处理,并进行尺寸归一化。然后分别提取交通标志的HOG和LBP特征,并构建联合特征向量作为ELM网络的输入,对ELM网络进行训练。最后将得到的ELM网络用于识别交通标志。实验结果显示,其满足识别对于实时性的要求。