交通标志自动识别技术在无人驾驶汽车和驾驶员辅助系统中具有重要的应用前景，部分技术已用于无人驾驶实验系统。然而，现有方法仅对少数几种类型几十种类别进行识别，难以推广到多种类型、大类别集交通标志的识别。本项目基于交通标志图形构成的特点，提出基于部件的大类别集交通标志的快速准确识别方法。基本思想是对构成交通标志的形状基元（如圆形、三角形、矩形、线条、箭头、文字、符号等）进行分割和识别，并分析符号之间的关系，得到交通标志的结构解释。研究内容包括：交通标志的部件和特征分析，基于颜色分割和区域的标志识别，基于符号检测的标志识别，基于基元和空间上下文融合的结构识别。本方法充分借鉴了计算机视觉领域目标识别的前沿理论与方法，有望提高交通标志识别的类别可扩展性和计算效率。实现的方法将在公开的交通标志图像数据集和计划采集的大类别集图像数据集上进行验证。

智能交通系统、无人/辅助驾驶系统可以提高城市汽车通行效率、减少交通事故。交通标志自动识别是智能交通系统、无人/辅助驾驶系统的必要组成部分，具有重大的应用前景。本项目面向智能交通系统、无人驾驶/辅助驾驶系统，围绕自然场景下的交通标志检测、识别与理解展开了深入的研究。项目组在研究过程中建立了大规模中国交通标志图像数据库并对图像中的交通标志信息进行了标注。数据库包含了18664幅自然场景下的中国道路交通标志图像及交通标志的标注信息。该数据库在网上公开,供研究者免费使用，为交通标志研究提供了公共测试平台数据，对交通标志检测与识别研究具有很大的意义。 交通标志检测是交通标志自动识别的关键技术之一。本项目提出了一种基于级联、显著性测试、快速特征提取的方法以及邻域感知技术的方法，实现了快速准确的交通标志检测；同时利用非监督学习的方法优化系统的参数，提升了系统性能。针对视频中交通标志检测，提出了一种基于跟踪和两级最小费用网络流数据关联的方法，检测精度为98%，检测速度提升至37帧/秒。针对交通标志识别问题，提出了一种基于扰动的标志识别算法。该算法对测试样本进行平移、尺度变换和旋转等扰动、采用多尺度梯度方向直方图特征以及最近原型分类器对交通标志进行分类，算法的识别精度为98.88%。识别精度虽然略低于目前文献报道识别精度的基于深度神经网络方法，但识别速度较之大幅提高。此外，提出了一种基于多级多特征融合的交通标志识别算法。算法采用先识别大类后识别子类的策略并融合局部和全局特征的方法，实现高速的标志识别。针对包含文字和符号的矩形交通标志，提出了一种基于直线合并的矩形目标检测算法用于快速检测矩形标志候选区域。之后采用多特征和多级分类器对候选区域进行快速分类，实现矩形标志的快速检测。针对标志中的文本信息，采用了基于稳定极值区域（MSER）的方法、利用笔划层级聚类方法提取标志上的文本行。该矩形标志检测算法获得96%的召回率。文本行提取获得86.2%的召回率和84.7%的精度。^[1]