1、隨著社會經(jīng)濟的發(fā)展，車輛與日俱增，智能交通系統(tǒng)的應用受到人們的高度重視。作為智能交通系統(tǒng)的核心關(guān)鍵技術(shù)，交通標識自動檢測和識別獲得越來越多學者的關(guān)注和研究，并在駕駛員輔助系統(tǒng)、無人駕駛車輛及道路標識的維護等方面獲得廣泛應用。然而，在真實的復雜場景中，交通標識會出現(xiàn)褪色、破損、陰影、遮擋、運動模糊及顏色與形狀相似物體的干擾，面對這些問題，很多學者進行了深入的研究，但是研究成果還遠未達到成熟。尤其是在我國人口眾多、私家車日益普及的情況下，交

2、通堵塞和生命安全問題愈發(fā)嚴重，因此對交通標識自動檢測與識別的研究具有非常重要的理論與現(xiàn)實意義。
　　論文圍繞智能交通系統(tǒng)中交通標識自動檢測與識別關(guān)鍵技術(shù)，重點研究了行車環(huán)境下由于車輛加速或者攝像頭抖動造成交通標識模糊的問題，圖像的底層特征融合、交通標識的顏色分割及感興趣區(qū)域提取問題，以及支持向量機、極限學習機和其它分類器在交通標識檢測與識別中的應用問題。論文的具體研究工作及成果如下:
　　(1)針對行車環(huán)境下攝像頭獲取的視覺

3、圖像產(chǎn)生運動模糊的問題，研究了一種基于稀疏表示和Weber定律的圖像盲復原算法。該方法首先通過沖擊濾波器來預測模糊圖像的顯著邊緣，并用多尺度策略由粗到細進行模糊核的估計。然后對圖像盲復原模型進行稀疏正則化約束，并結(jié)合反映人類視覺特性的Weber定律對圖像進行盲復原。實驗結(jié)果表明，提出的盲復原算法能獲得較優(yōu)的性能，在圖像紋理上能取得較好的復原效果，并且該方法降低了復原圖像的邊界偽影，符合人的視覺感知特性。
　　(2)針對交通標識檢測

4、中樣本類別間的不平衡常常導致分類器的檢測性能弱化的問題，研究了一種基于感興趣區(qū)域和HOG-MBLBP融合特征的交通標識檢測方法。根據(jù)交通標識鮮亮的顏色特點，采用顏色增強技術(shù)分割并提取出自然背景中交通標識所在的感興趣區(qū)域;研究了HOG-MBLBP圖像底層融合特征，并對交通標識樣本庫提取該融合特征，利用遺傳算法對SVM交叉驗證進行參數(shù)的優(yōu)化選取，以此來訓練和提升SVM分類器性能;最后將提取的感興趣區(qū)域圖像的HOG-MBLBP特征送入訓練好的

5、SVM多分類器，進行進一步的精確檢測和定位，剔除誤檢區(qū)域。在自建的SDU_CVPR_A交通標識樣本庫及GTS*德國交通標識庫上分別進行了實驗，結(jié)果驗證了所提方法的優(yōu)越性。
　　(3)為了準確快速識別出檢測到的交通標識，研究了一種基于HOG-MBLBP融合特征和極限學習機的交通標識識別方法。首先針對中國交通標識的特點建立了23類SDU_CVPR_B交通標識識別樣本庫，然后對交通標識樣本庫分別提取HOG特征、BLBP特征、MBLBP特

6、征以及HOG-MBLBP融合特征，并將提取特征分別輸入ELM分類器、SVM分類器、KNN分類器以及隨機森林分類器進行分類訓練。通過在自建SDU_CVPR_B交通標識識別庫和GTSRB德國交通標識識別庫上進行的實驗表明，融合特征結(jié)合ELM分類器可以取得較優(yōu)的識別效果。
　　(4)鑒于語義特征BoF模型在圖像分類任務(wù)中的廣泛應用，為了更好地表達圖像，建立底層視覺特征與高層語義特征間的關(guān)系，研究了一種基于融合特征BoF模型的金字塔匹配交

7、通標識識別方法。首先利用K均值聚類方法對各種局部不變特征進行聚類，根據(jù)聚類中心構(gòu)建各自的詞典，然后進行BoF模型的圖像直方圖表示，并采用空間金字塔策略以充分利用局部不變特征的空間結(jié)構(gòu)信息，最后進行SVM分類器訓練。在自建SDU_CVPR_B交通標識庫和GTSRB德國庫上的實驗結(jié)果表明HOG-MBLBP融合特征的分類效果較優(yōu)，且HOG-MBLBP融合特征的BoF模型表示進行分類識別的效果優(yōu)于HOG-MBLBP融合特征進行ELM分類識別的效