1、隨著中國社會和經濟的快速發(fā)展，城市交通出現了前所未有的迅猛增長，特別是近10年來，各類機動車的保有量越來越大。我國城市特別是像廣州、深圳這樣的大城市，現有的道路交通設施和日益增長的交通需求之間的矛盾日益突出，交通擁堵現象嚴重，交通事故頻發(fā)，對人們的生命財產安全乃至國家的經濟發(fā)展都構成了巨大的威脅。因此，如何在現有的交通環(huán)境和條件下建立一個智能的車載輔助系統(tǒng)，提升車輛行駛的安全性，減少道路交通事故，具有非常重要的社會意義和科研意義。

2、>　　道路交通標志識別系統(tǒng)是車載輔助系統(tǒng)的重要組成部分。本文旨在研究城市交通環(huán)境中禁令交通標志的識別。在對相關課題做了大量國內外調研之后，根據禁令交通標志的特點，設計并完成了一個實時性好，識別率較高，魯棒性強的禁令交通標志識別系統(tǒng)，具體研究內容如下:
　　(1)禁令交通標志的顏色分割。首先為了減弱或消除光照對后續(xù)圖像分割的影響，對自然場景中采集的彩色圖像在YCbCr顏色模型下進行了光照均衡化處理，并將處理后的圖像顏色模型轉換到RG

3、B顏色模型。然后利用禁令交通標志的顏色特征直接在RGB顏色模型下利用改進的分割算法對預處理后的圖像進行顏色分割。并將分割結果與其他顏色模型下的分割結果進行了對比。
　　(2)基于形狀特征的禁令交通標志檢測。先對顏色粗分割得到的二值圖像進行膨脹、腐蝕、開啟和閉合等形態(tài)學組合處理得到感興趣區(qū)域。對傳統(tǒng)的圓形度檢測算法和基于特征參數的三角形檢測法進行了改進，并利用改進后的方法分別對感興趣區(qū)域進行形狀檢測，并標記和截取出符合要求的圓形區(qū)域

4、和倒立的等邊三角形區(qū)域，用于后續(xù)的標志判別。
　　(3)深度學習模型MPCNN在禁令交通標志判別中的應用。詳細介紹了深度學習理論及常用的幾種深度學習模型。利用深度學習方法在對圖像進行識別時深度學習網絡能夠自動從訓練樣本中學習到抽象特征，而不需要人工參與提取特征的優(yōu)點，本文采用了一種卷積神經網絡的改進模型—MPCNN對檢測出的禁令交通標志進行判別。詳細介紹了MPCNN模型的網絡結構及訓練方法，并利用采集的樣本數據對網絡性能進行了測試