1.一种基于HOG‑CTH组合特征的交通标志识别方法，其特征在于，包括以下步骤：S1：利用训练样本训练分类器模型

步骤S1‑1：确定训练集；

步骤S1‑2：分别提取所述步骤S1‑1所确定训练集中训练样本图像的方向梯度直方图HOG特征和统计变换直方图CTH特征，并将CTH特征向量细量化，串联HOG和CTH两种特征向量得到HOG‑CTH融合特征向量；

步骤S1‑3：使用线性支持向量机SVM算法对所述步骤S1‑2得到的HOG‑CTH融合特征向量进行训练，获得SVM交通标志分类器；

S2：检测定位实景图中的交通标志图像

步骤S2‑1：在HSV颜色空间下对自然场景下交通标志进行颜色分割；

步骤S2‑2：对所述步骤S2‑1中经颜色分割后的区域进行形态学图像处理；

步骤S2‑3：定位裁剪出分割出的交通标志图像；

S3：利用分类器模型识别交通标志图像

步骤S3‑1：对所述S2中检测定位实景图中的交通标志图像灰度化处理；

步骤S3‑2：提取经灰度化处理的交通标志图像的HOG‑CTH融合特征；

步骤S3‑3：利用S1中已经训练好的SVM交通标志分类器识别出交通标志所属类型。

2.根据权利要求1所述的一种基于HOG‑CTH组合特征的交通标志识别方法，其特征在于，所述步骤S1‑2具体为：采用gamma校正法对输入的交通标志图像进行颜色空间归一化，先转化为灰度图，设Ig(x,y)是(x,y)坐标像素点的灰度值，gamma压缩公式：gamma

Ig(x,y)＝Ig(x,y) ，取gamma＝0.5         (1)计算交通标志图像每个像素的梯度幅值和方向，使用3×3Sobel模板对交通标志图像进行卷积计算，则Ig(x,y)的梯度为：Gx(x,y)、Gy(x,y)分别代表横向及纵向边缘检测的梯度，而像素点(x,y)的梯度幅值大小G(x,y)和方向θ(x,y)如式(4)和式(5)所示：对于彩色图像可以分别计算它们各个颜色通道的梯度，选择其中幅值最大的值作为该像素点的梯度；

统计单元内梯度直方图，将图像窗口区域划分成均匀分布的cell单元，每个cell单元包含4×4个像素，每个cell单元内把 的梯度方向平均分成9个bin区间，然后在每个cell单元内所有像素的梯度值再分别在各个bin区间进行直方图统计，分别统计cell单元内方向梯度直方图；

归一化区域块内梯度方向直方图，每2×2个cell组成一个block块，一个block块形成

36维的特征向量，利用L2‑范数对整个block块进行归一化，如式(6)所示：其中v为特征向量，||v||2表示v的2阶范数，ε表示一个常数，用以避免分母为0；

序列化形成HOG特征向量，将所有block块的HOG特征进行序列化处理，构成训练样本或检测窗图像最终的HOG特征向量；

计算像素点的统计变换，依次顺时针编号为：p0～p7；依据幅值关系，获得像素点之间的符号差分值：T＝t(s(pc‑p0),s(pc‑p1),…,s(pc‑p7))           (7)其中：

式中，t()函数表示符号差分值的联合分布函数；s(pc‑pi)表示当前像素点pc与第i邻域点pi之间的符号差分值；此时当前像素点pc的对应CTH值由式(9)计算得出：式中，N为邻域像素点数量，R为CTH计算半径；

细量化处理：引入0‑1变换的概念，由0到1或由1到0都认为是一次0‑1变换，中心像素点pc的0‑1变换次数u的计算可用式(10)表示：根据像素点的0‑1变换次数来统一化CTH特征值，如式(11)所示：通过统计稀疏化的CTH特征值的直方图，得到相应的特征；

统计block块直方图并做归一化处理，对block块中的CTH直方图也采用L2‑范数进行归一化处理，使HOG和CTH两种特征向量这两类特征相互融合，得到HOG‑CTH融合特征向量；将HOG‑CTH融合特征向量放入线性支持向量机SVM算法中训练，得到SVM交通标志分类器。