随着社会和经济的不断发展,汽车已经变成一种普通交通工具,车辆日益增多,交通事故频繁发生,对人民的生命财产构成了巨大威胁。因此,在现有的道路环境下建立一种辅助驾驶系统,帮助驾驶人员修正车辆的行为,提高驾驶的安全性,具有非常重要的社会意义和研究价值。交通禁令标志是道路中对驾驶行为限制最严格的标志,所以交通禁令标志的检测与识别是辅助驾驶系统的重要模块,正在受到越来越多的关注。然而交通标志所处的真实环境复杂多变,受到光照情况、天气因素、局部遮挡、类似干扰物的影响,使得禁令标志的检测与识别面临许多困难,并且交通禁令标志检测系统对实时性和便携性也有要求,由于要求高问题多,所以在实际的运用中没有达到成熟的地步。本文以交通禁令标志的检测和识别为主要研究内容,首先详细分析交通禁令标志的特点,从颜色和形状两个方面入手,研究真实场景中禁令标志的定位算法,然后分析禁令标志的分类任务,采用深度学习的方法,设计卷积神经网络实现分类,针对实时性和便携性的客观要求,本文研究图像处理算法的并行实现和嵌入式实现,以提高实用性。本文主要研究工作为:1、研究彩色图像增强算法和颜色分割算法。直接用采集的图像进行颜色分割效果较差,研究彩色图像的空域增强算法和频域增强算法,研究颜色模型,以及各种模型下的颜色分割效果。2、研究形状检测算法。提取禁令标志的凸包并计算其凸缺陷,利用凸缺陷的面积、长度、高度、长宽比来排除伪区域并分割相连的标志。3、研究交通禁令标志的分类任务,研究深度学习的思想,设计一个适合本文分类任务的卷积神经网络,实现对交通禁令标志的分类,最终实验结果表明本文的分类准确率可以达到95%。4、研究GPU并行计算和图像算法的并行化。分析本文算法的并行性,针对适合并行的图像算法,利用英伟达生产的嵌入式TK1平台,对其进行并行化处理。本文实现了图像格式转换、图像增强、图像颜色分割和卷积神经网络的嵌入式并行化,可以达到2~9倍的加速比。