随着科技进步和汽车产业的发展,汽车智能化水平越来越高,关于汽车辅助驾驶和无人驾驶系统的研究逐渐成为国内外研究热点。交通信号灯检测和识别技术作为辅助驾驶和无人驾驶系统的重要组成,吸引了很多研究人员的关注。目前,关于交通信号灯检测与识别技术的研究主要集中在机动车信号灯(圆灯)和方向指示信号灯(箭头灯)上,而针对交通信号倒计时(以下简称数字灯)的研究较少。本文基于无人驾驶平台,设计并实现的交通灯及数字检测与识别系统具有同时检测和识别圆灯、箭头灯和数字灯的功能,为无人车提供更加丰富的决策信息。自然场景下,交通信号灯在图像中的成像结果受光照影响较大,如何准确定位交通信号灯位置是检测过程的关键和难点。针对交通灯及数字的特点,提出了基于显著性特征的检测方法以及数字分割方法。该方法首先在低分辨率图像上生成颜色、亮度和边缘特征图,并融合成显著图;然后提取图像中的显著性区域,利用几何和颜色特征过滤噪声;最后,利用投影分析的方法将候选区域中的双数字区域分割为两个单数字区域,得到只包含单个数字灯、圆灯和箭头灯的候选识别区域。实验结果表明,本文提出的检测方法获得了比较理想的效果。在交通灯及数字的识别阶段,针对交通灯及数字的多种特征,提出一种两级分类方法,该方法设计了专用的结构分类器用于第一级的目标分类,目的是为了能够快速可靠的识别图像中清晰的目标;设计了基于CNN特征和HOG特征的SVM分类器用于第二级的目标分类,目的是为了提高整体识别的识别率和鲁棒性。在基于结构特征的第一级分类中,针对数字灯、箭头灯和圆灯的不同特点,设计了两组结构特征。数字灯的识别是依据七段码的显示特点在数字区域中设定九个子区域,通过统计各子区域的亮暗情况生成一个九位的二进制编码,然后根据此编码得出数字结果。箭头和圆形灯的识别是利用水平和垂直投影对目标结构进行描述,然后利用KNN分类器分类。实验结果表明,本文提出的这两组结构特征对图像清晰的目标能够获得比较好的识别准确率,并且计算速度较快。在第二级分类中,结合更为鲁棒的CNN特征与具有良好几何、光学不变性的HOG特征,形成了更高维度的特征。首先提取LeNet-5神经网络模型中ip1层特征作为CNN特征;然后提取交通灯及数字区域HOG特征,并将CNN特征归一化后与HOG特征融合得到融合特征;最后采用SVM分类器进行分类。实验结果表明,该方法相比于CNN分类和只使用HOG特征的方法,虽然时间复杂度较高,但是识别率也更高。最后,本文对无人驾驶平台进行了介绍,并将本文系统应用到该无人驾驶平台上进行实验。实验根据不同天气和灯颜色分析了交通灯及数字的检测结果,根据不同灯类型分析了识别结果,并对系统总体性能和效率进行了评估。最终系统总体获得了 96.3%的召回率和98.1%的准确率。