1.1 研究目的及意义

如今我国经济高速发展,汽车作为经济发展的标志变的越来越多,然而汽车的增加,使我国面临巨大的交通压力,交通事故频发,安全驾驶问题越来越突出,因此必须发展智能化交通系统。在智能化交通系统中,最重要的是交通标志的检测与识别,在交通安全运行方面具有重大的现实意义,它能够减少驾驶员的驾驶疲劳,更好的保证出行安全。然而交通标志的检测与识别是一项具有挑战性的工作,在真实的环境中,交通标志往往处在比较复杂的背景中,交通标志或者被遮挡、或者老化严重比较模糊、或者光照比较强导致反光等,这些因素会给检测与识别带来困难。系统是装在汽车上,必须做到准确检测与识别,才能帮助驾驶员。

1.2 国内外研究现状

日本在20世纪80年代就已经开始了针对TSR相关领域的研究，当时比较主流的方法是采用闽值分割算法来进行交通标志检测，然后利用模板匹配的方法来实现交通标志的识别。但由于系统的阈值分割和模板匹配算法是用硬件设备完成的，所以当该系统在机器上运行时，针对每幅交通标志的检测时间是1/60秒，识别时间是0.5秒。其中图像匹配法是将取得的图像和标准图像库中的图像在空间上进行匹配，通过选择特定的特征、较合适的搜索方法以及特征间的相似性准则来确定匹配的图像，一般分为基于特征的匹配和基于灰度图的图像匹配。

在20世纪90年代后，西方各国也投入到了交通标志检测和识别的研究当中来。并各自提出了一些不同的检测和识别方法。其中，美国在开发了Advanced Driver Information System（ADIS），该系统应用颜色聚类的方式进行识别，仅对停车标志的识别率可达100%，但该系统并不是实时系统。Piccioi与Micheli利用颜色确定交通标志大概的位置，再利用它的几何特征进行分析，可以比较准确有效地判断出三角形和圆形等图形的标志。

其中神经网络分类法最为常见。神经网络分类法是常用的分类算法，它是模仿人的神经系统，将大量简单的神经元互相连接组成一个复杂的非线性动态系统。神经网络分类法为主流方法。法国的一家公司开发了一种新型TSR系统，该系统是针对红颜色类型的交通标志进行交通标志的检测，并利用人工神经网络算法完成交通标志的特征提取和分类识别工作，这个系统对红色标志的平均识别率达94.9%。戴姆勒-奔驰汽车公司和德国的科布伦茨-兰道大学的研究人员进行了合作，研发出了具有实时性的交通标志识别系统，此系统运行在SParclo机器。实验显示它的最快识别速度为3.2s/幅，在一个拥有40000多幅图像的图像库中进行检验，它的识别准确率为98%。

来到21世纪后，交通标志检测与识别的研究更加得到了广泛的关注和研究，计算机技术和算法也日趋成熟。在2005年，Gareth Loy实验室和Nick Barnes研究所共同开发了一套利用对称性与质心位置来识别交通标志的系统，其识别率可以达到95%左右。同年，Australia和Sweden共同开发了一套TSR系统，该系统先基于形状对称性定位交通标志的质心，然后再对此区域交通标志图像进行下一步分类识别，实验结果表示该系统的分类正确率达到95%。Wisconsin大学的Liu和Ran开展了交通标志识别的研究，该研究只识别“停止”标志。该系统是基于HSI空间的颜色闽值法进行交通标志的检测，并用神经网络方法进行识别。在540多幅图像上进行了实验，显示了该系统的识别准确率达到95%。2007年，Moutarde等人开发了一套以欧美地区的限速标志作为识别目标的交通标志识别系统，其中包括了交通标志检测以及目标的跟踪，通过在欧美地区的280个限速标志上的识别实验，显示了本系统的识别准确率是89%。

还有学者提出基于统计模式的识别和句法分类法，统计模式的识别的实质就是利用各种类的分布特征来实现分类功能，一般通过对样本集进行训练分类、特征提取以确定被识别模式的种类，最后再进采用类别内的匹配识别，它也是常用的分类识别方法。而句法分类法的应用情况相对来说比较局限，其在知识的表示和分析方面存在不足，还需要改进。在2010年，西班牙的Makionado等人的交通标志识别研发是基于一个包含了约193类、36000幅的交通标志图像的数据库。识别方法是支持向量机，该方法的识别准确率达到95.5%。该方法未公开实验数据集，其进行实验的训练样本与测试样本并没有区分开来。2013年Kim J.B.认为颜色形状容易受周围环境影响，可能会提高视觉显著性模型进行交通标志检测且具有较高的实时性。

国内 对交通标志识别研究起步较晚， 且基本是在国 外的基础上进行的研究，因此并没有形成自 己的一套研究理论。 尽管都是基于国外的理论进行的研究， 但是,国内也取得了 非常丰厚的研究成果。如北京交通大学、 清华大学、 吉林大学在交通标志识别的研究上一直处在前沿。

北京交通大学贾骥提出了基SVDD（ Support Vector Data Description， 简称SVDD） 模型的方法进行交通标志识别研究。其利用基于颜色阈值的方法对交通标志检测进行建模， 将检测到有交通标志的区域进行阈值处理，然后分别利用形状矩以及 SURF 特性得到待检测区域的图像特征，并将该区域与模板库进行匹配。从实验效果来看确实具有一 定的鲁棒性。随后江山、李斌等人先后使用HOG SVM 与 DPM SVM 的方法进行交通标志的研究。HOG特征对光照、变形具有一定的鲁棒性，DPM模型则针对HOG特征存在的缺点进行相关的改进，利用移动滑窗算法对图像进行遍历，得到许多感兴趣区域，然后利用HOG方法提取区域中的图像特征，得到区域特征向量，并利用SVM方法对模型进行训练，得到分类器，最终利用分类器对测试数据进行检测得到交通标志的最佳位置。

得益于2012AlexNet的问世，吉林大学的邹冰利用颜色阈值分割的方法对采集的图像进行分析，得到候选的交通标志区域，然后利用神经网络的方法对候选区域进行分类，最终得出图像中的交通标志信息。大连理工大学何鹏程基于K-means的卷积神经网络模型对交通标志进行研究，使用K-means卷积神经网络提取特征，利用SVM对数据进行分类，该模型最终在德国交通标志数据集上进行验证，在精确度与时间复杂度上有了不小的提升。