针对现有主流检测算法在低光照或光照条件强烈变化情况下对交通标志检测精度不足、漏检现象严重的问题,提出一种改进后的基于图像关键点统计变换(MCT)特征的Adaboost集成算法,以降低样本图像对光照变化的敏感性,通过对图像关键点进行提取并建立弱分类器,增强噪声和部分遮挡情况下算法的抗干扰能力,同时采用多尺度特征融合算法实现交通标志的分类识别。选用德国交通标志数据集(GTSDB、GTSRB)和自建数据集对所提算法性能进行验证,结果表明,在三类数据集中本文算法均具有最佳检测率与识别率,对于低光照条件下的交通标志图像,本文算法的检测精确率为94.96%,在复杂光照环境下具有较好的稳健性。

matlab交通标志识别.zip

道路交通标志检测与识别-.rar

交通标志的颜色特征和形状特征是其最主要的两个特征，为提高检测的准确性和鲁棒性，提出颜色分割和形状特征相结合的方法。利用交通标志的颜色特征，采用基于HSV空间的颜色分割方法，获得图像中可能包含交通标志的区域，并提取该区域。根据交通标志的形状特点，利用canny算子获取提取区域的轮廓。然后，采用基于标记的形状检测算法判定所分割区域的形状，利用方向梯度直方图特征结合支持向量机（SVM）方法完成交通标志识别。经实验测试，该方法对图片视点变换、尺度变换以及亮度变换等情况具有很强的鲁棒性。

利用深度学习的案例

(Keras/TensorFlow)精校VGG16 GTSRB交通标志识别

数据集训练集有42类交通标志，共有39000多张照片，测试集有16000多张照片，比比利时的数据多多l

基于颜色分割及模板匹配的交通标志识别系统 通过颜色分割，定位标志区域；再通过模板匹配，识别标志类型。

在树莓派小车上通过计算机视觉技术实现蓝底路标的识别。 首先使用颜色及形状检测的方法，从采集的图像中分割出可能的区域（蓝色矩形区域），然后将该区域与模板进行对地，得到其相似度。

由于上传资源大小限制，本资源包括GTSRB德国交通标志训练集，非常适合初次接触深度学习交通识别领域的人进行学习使用。