随着无人驾驶技术和辅助驾驶技术研究的不断深入,交通标志自动定位和识别技术也成为人们研究的一个热点。交通标志自动定位和识别算法需要实时而且能够精确的定位、并识别出交通标志,所以算法对鲁棒性、准确性、实时性要求很高。本论文第三章论述了交通标志定位算法,算法的原理是结合基于色彩空间的交通标志粗定位和基于区域形状精确定位,从而定位出交通标志。常用的粗定位的方法是基于RGB色彩空间的交通标志粗定位,但并不能很好解决光线变化以及颜色失真带来的问题。本文针对标志定位的实时性、鲁棒性、准确性设计了两种算法分别是:(1)基于L*a*b色彩空间的聚类分割最早是应用于医学图像分割,本论文首次将其应用在交通标志图像分割上面,取得了很好的效果,算法分割准确率高,提取的交通标志完整,而且对于环境中光线变化以及交通标志颜色失真具有很强的鲁棒性。但聚类分割需要的时间较长。实验证明这种算法鲁棒性、准确性很高,但实时性相对较低。(2)基于YCbCr色彩空间的交通标志的粗定位,也是本论文独创的一种高效率的定位方法。利用YCbCr色彩空间的在图像分割上的优点,结合交通标志自身的颜色特点,能够快速、准确的分割出交通标志区域,算法简单可行、准确率高、计算量小,而且对光线变以及交通标志颜色失真等因素具有很强的鲁棒性。实验证明这种算法鲁棒性、准确性比普通方法要出很多,稍低于基于L*a*b*的方法,但实时性很高,满足作为交通标志定位识别算法的要求。基于区域形状的交通标志精确定位是对粗定位后的图像中保留的区域进行形状分析,利用圆形、三角形、矩形的几何特征,找出图像圆形区域、矩形区域、三角形区域,从而定位出待识别交通标志,并将其裁剪出来,提取特征,接着进行下一步交通标志识别。交通标志识别论述了两种方法,第一种基于相关系数的zernike矩特征匹配,计算待识别交通标志的zernike矩,组成特征向量,再计算与各个标志模板之间zernike矩特征向量相应的相关系数,从而识别出交通标志。这种识别算法的优点是算法简单,不需要大量训练样本,当待识别样本质量较好时,识别率较高。不足之处是,当库中用于比较的模板过多时,实时性较低;当待识别样本质量较差时,识别准确率不高。第二种方法是基于BP神经网络的识别。待识别交通标志经过预处理和标准化后,以图像的像素作为特征,输入预先训练好的神经网络中进行识别。本文使用200幅交通标志作为训练样本对BP神经网络进行训练。训练好的神经网络具有较高的准确性、实时性。上面使用的方法是使用整个交通标志作为识别对象,而当识别的面积越大,所包含的干扰信息也就越多,准确率也就会下降。考虑了交通标志的构造上的特点,本文作了改进,提取交通标志外框里面的图像(也称为内部图像),通过识别内部图像来识别交通标志。这里以200幅交通标志内部图像作为BP神经网络网络的训练样本,训练好BP网络。待识别标志同样也提取内部图像,重组像素特征以后输入BP神经网络进行识别。当提取的待识别交通标志图像质量较好时,相对于BP神经网络准确率更高。