近年来,计算机视觉研究成果斐然,在图像分类、目标检测与识别等领域进步很大。另一方面,为缓解城市交通拥堵、提高交通效率和交通安全,智能交通系统受到极大的关注,且辅助驾驶、无人驾驶是智能交通系统的重要组成部分。而自然场景下的交通标志检测和识别则是辅助驾驶、无人驾驶系统中的重要一环。交通标志中的矩形交通标志包含了文字、图标以及符号等,提供了诸如道路名称、指示、警告等非常有价值的信息。此外,由于自然场景下的交通标志易于受到不同天气或光照强度的影响、交通标志部分可能被遮挡、包含文字的交通标志中的文字排列不整齐,字符间距、大小不统一等。因此,矩形交通标志检测与文字提取具有极大的实用价值同时具有一定的挑战性。本论文的主要工作包含以下几点:1.提出了一种基于线段合并的矩形目标检测算法,实现矩形交通标志候选区域的快速提取。矩形交通标志虽然宽高比变化大,树叶杂物遮挡严重,但形状特征相对稳定。为此,本文采用了提取图像中的直线段,再将直线段拼接成矩形,达到矩形目标提取的目的,从而实现矩形交通标志候选区域的检测。实验结果表明该算法不仅检测速度快而且能够以较少的候选区域数目达到较高的矩形交通标志的召回率。2.为快速滤除非矩形交通标志候选区域,采用了多级分类以及多特征融合的方法实现矩形交通标志的检测。分别采用ex-HOG特征、CLBP特征以及HOG与BoW融合特征,结合SVM线性分类器,逐级滤除非交通标志候选区域。其中HOG+BoW为本文改进的一种适合交通标志检测的词袋模型编码框架,实验结果表明了该算法速度快且精度较高。3.针对检测的矩形交通标志,采用了基于对比度极值区域(CER)的方法提取文本连通部件,并利用笔划层级聚类实现笔划分离的单个文字检测,解决了中文字符因笔画分离导致无法检测的问题。采用了距离度量学习的算法对已经检测的单个文本部件进行合并从而快速提取中文文本行,有效克服了文本行中字符间隔不统一的难点。为测试算法性能,本文收集含有交通标志的图片共1524张,并对其中交通标志和标志中的文本行进行人工标注。在随机选择的424副测试图像,共543个矩形交通标志中,检测算法获得96%的召回率,平均单幅图像虚警为2～3个;文本行提取获得86.2%的召回率和84.7%的精度。实验结果显示了算法的有效性。