车辆行驶过程中,驾驶员因外界环境与自身的影响,忽略交通标志,是导致交通事故频发的重要原因。交通标志识别系统作为车载驾驶辅助系统中的组成部分之一,可以消除强光刺激、侧面眩光等多种外界因素对视线的干扰,识别出当前路段的交通标志,向驾驶员及时反馈路况信息,能够大大提高驾驶员、乘客以及第三方的安全性。但是现有基于卷积神经网络(CNN)的交通标志识别技术忽略了交通标志图像颜色和类型对识别性能的影响。因此,本文从交通标志数据的表示方法和CNN模型的构建两个方面展开研究,提高交通标志的识别准确率。本文的主要工作如下:(1)结合交通标志图像的设计原则及其典型的颜色特征,设计了一种基于图像颜色的RGB分量特征数据表示方法。交通标志图像颜色涂层易受光照、亮度等影响,常用CNN模型选用具有图像增强作用的限制对比度自适应直方图均衡化(Contrast limited adaptive histogram equalization,CLAHE)的数据表示方法描述交通标志图像,导致模型对不同类型交通标志图像独有的颜色不敏感,颜色特征无法发挥作用。本文选用公开的德国交通标志识别基准数据集(German Traffic Sign Recognition Benchmark,GTSRB)作为研究对象,展开对其中常用的43个交通标志图像的多类别分类研究,对交通标志图像的数据表示方法展开深入研究,提出在CLAHE特征的基础上加入交通标志图像的RGB分量特征,促进CNN模型学习图像更显著的颜色特征,从而构建一个有效的交通标志识别模型。(2)研究发现,使用单一的CNN模型对颜色、形状、功能等类型不同的交通标志进行识别时,颜色、形状、功能等类型出错的现象极其严重,因此,本文提出一个新的交通标志图像五大父类划分方案,并利用父类和子类数据,构建基于数据集分层的组合CNN模型。本文首先按照颜色、形状、功能等将GTSRB数据集中的43个交通标志图像分成了五大父类,并采用数据集分层的方法,将父类与所有子类数据相结合。然后利用LeNet-5网络模型,通过不断调整、优化参数,构建了两个基于LeNet-5结构的CNN模型,分别用于交通标志图像父类、子类标签的识别。最后通过比较两个网络模型输出层的标签概率值权重大小,完成交通标志识别。研究结果显示,在复杂环境中,本文提出的基于颜色和数据集分层的组合CNN模型具有更高的识别准确率,并且具有极佳的实时性,平均识别时间约为3ms,能促进交通标志识别系统在驾驶辅助系统中的广泛应用,保障人类及社会的安全。