交通标志检测与识别系统作为智能交通系统的重要分支领域，往往是与驾驶辅助系统和自动系统紧密相连的，因此国内外在这方面的研究较颇为热门。

1 标志检测方面：

美国威斯康星大学的u和Ran[49]开发了识别停llz(stop)标志的系统采用HSV空间的颜色分割法进行检测。63862

法国Saint．Blancard开发了红色标志识别系统[51]，采用红色滤波、边缘及合曲线检测的方法进行检测。

意大利Piccioli等人[52]于1994年提出采用对图像进行几何信息提取(检线条、三角形、圆形等)的方法进行检测，之后用相似性测度的方法将目标与数据库中的标准图像进行比较完成识别工作。对于圆形的检测，由于背景复杂程度不同，检测准确率在93％-96％。

    2005年瑞典的Gareth Loy实验室和澳大利亚Nick Barnes自动化研究所联合研究了一套交通标志识别的系统[53]，该系统利用交通标志图像图形的对称性和图形的形状来确定其质心位置，达到完成检测的目的。 

国立台湾大学的资讯工程所也有一些相关研究[6,61]。它们采用动态视觉型进行交通标志检测，几乎囊括所有类别的标志类型，但没有给出具体的测试结果。

2 标志识别方面：论文网

日本于20世纪80年代就开始进行交通标志检测的研究[49,50]，该系统针对速度标志，采用了阈值分割和模板匹配的方法，由于所有过程都是用硬件实现的，且对的集合较小。因此实时性较高。

    美国威斯康星大学的u和Ran[49]用神经网络的方法进行分类和识别。改系统对540幅图像进行实验，检测准确率为95％。

    法国Saint．Blancard[51]开发了用专家系统和神经网络的方法进行特征提取和目标分类。平均识别率达到94．9％。

瑞典的Gareth Loy实验室和澳大利亚Nick Barnes自动化研究所联合研究了一套交通标志识别的系统[53]，该系统识别图像的识别率达95％。

    国内识别交通标志的方法具有代表性的是蒋刚毅，郑义等基于数学形态学的交通标志自动识别算法[58]，识别的对象警告标志，利用数学形态学方法及形态学骨架函数为特征做模板匹配对交通标志识别分类，能较好的识别交通标志，而且有位移不变性和识别的稳健性，识别了10个警告标志；王申明的基于神经网络的交通标志识别[59]，识别的对象是道路交通标志中11个不同的标志(禁止，警告，指示)，是用神经网络进行分类的；严柏军利用不变矩特征匹配法，快速检测目标[60]。他们方法没有说明是否具有普遍性，只针对一些有限的标志，而且没有涉及到从现实场景图象中探测分割交通标志的问题，所有他们所关注的主要是模式的识别问题。

    综上所述，现有的很多研究都是针对某一类特殊的交通标志展开，比如禁令标志或者只针对具有某种特征的标志展开，如圆形标志三角形标志，至今还没有在通用性、实时性和准确上都很出色的系统。