随着科技的发展进步,具备辅助驾驶系统以及无人驾驶系统的汽车频繁出现在人们的视野中。由于我国城区道路复杂,交通拥堵情况较为严重,仅仅依靠交通指示灯和交通标志等固定指示信号已经难以满足交通调度的需求。因此,一个成熟的自动驾驶系统还需要对交警的指挥手势做出准确响应。目前使用计算机视觉技术直接对采集到的交警指挥手势光学图像进行识别,是最为经济、便捷的方法。本文在综合考虑算法的准确性、实时性和抗干扰能力等因素的基础上,从提高复杂背景下交警手势识别率和分类速度的角度出发,针对目前交警手势识别算法存在的不足,重点研究基于特征融合的交警手势识别技术和基于卷积神经网络(Convolutional Neural Networks,CNN)的交警手势识别技术。主要研究内容如下:(1)针对目前交警手势识别领域尚无开源数据库的问题,分析图像处理相关技术,采集并处理交警手势图像,建立一个基于中国交警8组指挥手势关键动作的小型数据库,用于支持后续交警手势识别算法的验证。(2)针对交警手势图像的方向梯度直方图(Histogram of Oriented Gradient,HOG)特征维数较高,冗余信息较多,影响识别效果的问题,采用主成分分析法(Principal Component Analysis,PCA)对HOG进行降维处理。然后针对PCA-HOG特征对图像信息描述能力不足的问题,将局部二值模式(Local Binary Patterns,LBP)应用于交警手势识别算法中,并与改进后的PCA-HOG特征融合得到融合特征算子,使用支持向量机(Support Vector Machine,SVM)构造多分类器进行实验,结果表明基于特征融合的识别算法可提高复杂背景下交警手势的识别率和分类速度。(3)针对目前卷积神经网络在交警手势识别领域应用较少的现状,本文主要基于在图像分类领域取得较好效果的Alex Net和Goog Le Net网络,设计用于交警手势识别任务的卷积神经网络CNN-A和CNN-G,并从选择合适网络参数和提高网络泛化能力的角度优化实验网络。使用Softmax分类器对CNN提取到的特征进行分类检测实验,结果表明该算法在交警手势识别任务中具有较高的识别率,验证了基于深度卷积神经网络的交警手势识别算法的有效性与可行性。最后,本文通过实验综合对比上述两种识别算法,结果表明改进的基于特征融合的交警手势识别算法在小样本量的情况下具有较好的识别率,而基于卷积神经网络的交警手势识别算法在大样本量时识别率更高。