1.一种基于多属性联合特征的交通标志识别方法，其特征在于，包括如下步骤：步骤1、对交通标志图像进行预处理；

步骤2、设计卷积神经网络结构；所述卷积神经网络包括1个输入层，1个全连接层，3个卷积层C1、C3、C5和3个池化层P2、P4、P6；

卷积层C1有100个大小为46×46的特征图，卷积核大小为3×3，卷积步幅为1；池化层P2有100个大小为23×23的特征图，池化的核大小为2×2，步幅为2；卷积层C3有150个大小为

20×20的特征图，卷积核大小为4×4，步幅为1；池化层P4有150个大小为10×10的特征图，池化的核大小为2×2，步幅为2；卷积层C5有250个大小为8×8的特征图，卷积核大小为3×

3，步幅为1；池化层P6有250个大小为4×4的特征图，池化的核大小为2×2，步幅为2；

步骤3、训练步骤2的卷积神经网络，并用该网络提取预处理后的交通标志图像特征；

步骤4、提取卷积神经网络后三层的特征图，将提取出的后三层特征图通过多尺度池化操作形成三个尺度的特征矩阵，将三个尺度的特征矩阵按列展开并级联成列向量，然后将得到的三个列向量级联成一个具有多尺度多属性的联合特征向量；

其中，P4层采用多尺度池化后得到3个大小为1×150，4×150，9×150的特征矩阵，依次级联，得到固定尺寸的14×150＝2100×1特征列向量；C5层采用多尺度池化后得到3个大小为1×250，4×250，9×250的特征矩阵，依次级联，得到固定尺寸的14×250＝3500×1特征列向量；P6层采用多尺度池化后得到3个大小为1×250，4×250，9×250的特征矩阵，依次级联，得到固定尺寸的14×250＝3500×1特征列向量；

步骤5、设计ELM分类器模型；

所述ELM分类器模型的训练过程的约束优化公式为：st.Hβ＝T‑ξ

其中，常数C为代价参数，表示一个正则化因子；ξ表示误差容忍参数，以确保ELM模型拟合所有训练样本；

使用拉格朗日乘子法求解上式，解得：步骤6、将联合特征向量通过ELM分类器进行分类。

2.根据权利要求1所述基于多属性联合特征的交通标志识别方法，其特征在于：步骤2中卷积神经网络结构由8层组成，包括1个输入层，1个全连接层，3个卷积层和3个池化层，所述卷积层和池化层交叉排列。

3.根据权利要求2所述基于多属性联合特征的交通标志识别方法，其特征在于：所述ELM分类器模型为：

上述ELM分类器输入的带标签的特征向量表示为(fi,ti)，i＝1,2,...,N，N表示训练样T n

本的个数；其中，fi＝[fi1,fi2,...,fin]∈R表示第i个样本的联合特征向量，n为ELM模型输T m

入神经元的个数；ti＝[ti1,ti2,...,tim] ∈R表示第i个样本的标签向量，m为ELM模型输出神经元的个数；j＝1,2,...,M，M表示隐藏层神经元个数，βj表示连接第j个隐藏节点和输出节点的权值；wij表示连接第i个样本和第j个隐藏节点的权值向量；bj表示第j个隐藏节点的偏置；oi表示第i个样本的输出向量；ti表示第i个样本的标签向量；g(·)表示激活函数。