随着汽车的逐渐普及,城市交通安全和路口通行效率等问题日益突出。为了有效地降低交通事故的发生几率,基于机器视觉与模式识别技术的道路交通信号灯识别技术就成了智能交通系统的一个重要研究领域,同时也是无人驾驶车辆研究的关键技术和难点之一。交通信号灯识别的核心技术在于算法。目前,尽管计算机技术和人工智能技术在快速发展,目标检测和识别的算法在不断涌现,但由于交通信号灯本身颜色与环境光线的多变性,城市背景环境的复杂性,以及实时性的要求等,导致现有算法应用于交通信号灯识别研究时,不能很好地处理上述问题,而现有的交通信号灯识别研究仅局限于简单背景场景下的机动车(圆形)信号灯识别。针对以上问题,本文提出了一种复杂场景下交通信号灯的检测与识别方法,该方法既能适应复杂城市环境下交通信号灯色彩状态识别的需求,又能识别方向指示信号灯。具体而言,论文主要研究工作如下:在充分挖掘交通信号灯特征属性的基础上,本文首先建立了交通灯检测与识别的系统框架,并将系统框架分为检测、识别与跟踪三部分,该框架具有结构简单、易于实现、实时性强的特点。同时,针对机器视觉在智能车辆应用中对图像数据的需求,本文设计实现了高质量图像的实时采集与存储系统,解决了图像采集与存储干扰、采集时图像的高分辨率与高帧率具有互斥性、传输时多摄像头干扰,存储时IO写盘速率低而图像压缩算法时间长等问题。交通信号灯的检测是复杂场景下交通灯识别的重点。针对现有交通灯检测方法仅适用于简单场景的不足,本文采用了色彩分割与关联滤波方案进行交通灯的检测。首先建立了交通信号灯的高斯模型,提出了利用高斯向量与多色彩空间结合的图像分割方法。然后提出基于区域增长与相似性判定的关联滤波,对色彩分割后的图像进行处理。在复杂实际场景下的实验表明,该方法能够提高交通信号灯检测的正确性,降低误检率和漏检率。针对现有交通信号灯识别算法仅能识别颜色状态信息,而不能识别方向指示信号灯的不足,本文提出了基于canny算子的边缘提取算法获取方向指示灯轮廓特征,然后提出了基于改进hu不变矩和马氏距离对方向指示信号灯进行分类方法。实验表明该方法能够满足方向指示信号灯的识别,并可扩展应用于具有固定轮廓的标志识别。