汽车是我们生活中的主要交通工具，它极大地方便了人们的出行以及运输，但是它也同样带来了不小的安全问题。在这种情况下，智能汽车成为了未来汽车行业的趋势，各种辅助驾驶技术、自动驾驶技术开始快速的发展。其中，交通标志的检测与识别技术作为自动驾驶的基本技术之一，受到人们的重视。

交通标志是道路交通系统的一个重要组成部分，其包含了丰富的道路交通信息，由一系列不同的图像和文字组成，具有不同的颜色和形状，对维护道路交通安全起着不可替代的作用。目前，交通标志识别（TSR）系统主要是通过安装在车辆上的摄像机采集道路上的交通标志信息，传送到图像处理模块进行标志检测和识别，之后系统将根据识别的结果做出不同的应对措施。系统可以及时地向驾驶员传递重要的交通信息，并指导驾驶员做出合理的反应，从而可以减轻了驾驶压力，缓解城市交通压力，有利于道路交通安全。而在无人驾驶汽车的研究方面，TSR系统是无人驾驶系统的重要组成部分，它能够给驾驶系统传输一些重要的道路交通信息，进而指导无人驾驶汽车做出正确的行驶判断，以实现无人驾驶汽车的行驶安全。具有实时性和较高准确率的交通标志检测识别技术，对于人身安全、智能驾驶都有重要的研究意义和现实意义。

交通标志检测与识别的研究起源于上世纪，在1987年日本就对交通标志识别做了相关研究，当时的方法主要是利用阈值分割法进行检测，然后利用模板匹配法进行识别，但是这种方法的实时性较差。20世纪末期，西方学者也开始进行交通标志检测识别的研究。就检测算法而言，在2005年，一个由瑞士实验室和澳洲实验室合作的项目提出了基于交通标志的对称性和质心位置，通过使用径向对称变换，结合正多边形边缘方向特征来估算标志在图像中的中心位置以及标志的大小进行检测，但这种方法的检测类别很有限。之后学者在此基础上提出了Bilateral ChineseTransform（BCT），该算法基于灰度图像，并且做到方向不变性，这样使得该算法在图像变换之后也表现出很好的鲁棒性，但是该方法易受光照的影响。由此，学者考虑将颜色也纳入检测的一个方向。2014年，Y. Yi, H. L. Luo, H. R. Xu和F. C. Wu提出使用事先提取的标志颜色分布信息作为先验信息，对待检测图片使用该先验信息得到色彩分布概率图，再对该图使用最大稳定极值区域（MSER）算法提取稳定区域，得到潜在的交通标志区域，但是这种方法易受不同气候的干扰。之后，便出现了交通标志颜色信息和形状信息相结合的方法，先在 RGB 色彩空间内作图像数据归一化，再分别对几种颜色信息实施色彩增强处理，得到凸显标志信息的图像，再在此基础上使用MSER算法提取稳定区域。也出现了加上交通标志色彩信息构建的新HOG特征。而识别算法，先后出现了稀疏编码，支持向量机（SVM），卷积神经网络（CNN）等算法，其中基于CNN的识别算法是现今研究的热点，有学者提出了一种交通标志识别系统的深度学习方法，对来自德国和比利时的公开可用的交通标志数据集进行若干分类实验，旨在测量各种因素的影响，最终设计了一个可以改进交通标志分类任务最新技术的卷积神经网络，其准确度分别达到了99.71%和98.95%， 并且对比其他算法，准确率达到最高 。

在国内，近年有学者提出基于特征融合和字典学习的方法，实验结果表明，交通标志的融合稀疏方法的效果明显优于大多数的识别方法，在GTSRB数据集上的分类准确率为99.23%。之后又有学者在研究中引入交通标志的形状、颜色、图案内容三种属性，在CNN中加入属性学习约束，同时进行交通标志属性学习和分类学习，提出了一种基于深度属性学习的交通标志检测方法。

2. 研究的基本内容与方案

2.1基本内容

交通标志识别主要包括两个基本环节：

第一是交通标志的检测，根据交通标志的形状颜色特征，在含有交通标志的图像中，对感兴趣区域进行定位、提取以及必要的预处理，最常用的方法包括颜色分割、形状检测、机器学习等；

第二是交通标志的识别，使用多种方法提取特征并用合适的分类算法，对提取的感兴趣区域进行分类，常用的方法包括模板匹配法、支持向量机、神经网络算法、特征提取与分类器结合的方法等。

交通标识识别算法。

在本设计中，主要研究内容如下：