另一类是基于颜色的阈值分割方法，还有颜色阈值和形状信息相结合的方法。Matas[1]在 2004 年提出了检测物体的最大极值稳定区域方法，由于该方法有较强的仿射不变性，被较大应用于交通标志检测，而且效果很好。Arturo de la Escalera, Luis E.Moreno, Miguel Angel Salichs, JM Armingol[10]提出了在灰度图像上进行阈值分割和角点检测相结合的标志检测和识别方法。彩色图像比灰度值图像更加复杂，因为彩色图像每一个像素点不是单一强度值，而是由红、绿、蓝构成的三分量值。聚类方法理想的用于 RGB 图像的分割。聚类算法可以是分级或划分的。分层技术涉及集群本身被分类成组源Z自-751+文/论^文]网[www.751com.cn，在不同水平重复该过程以形成树。划分的技术，通过优化一个聚类准则形成簇，其中这些类是互相排斥的，从而形成所述数据的一个分区。统计聚类是聚类的最常见形式，其中包括分配出现的特定颜色到一个特定的簇而不管是否每个有颜色的像素点在图象空间中靠近彼此，这些像素将不会形成从视觉上看一个有效段。Madhusudan Joshi, Mohan Jeet Singh, Saurabh Dalela[15]和 Vishal R.Deshmukh, G.K.Patnaik,M.E.Patil[16]提出了用阈值分割检测交通标志，使用联合变换相关（Joint Transform Correlator）方法进行形状匹配来识别标志的系统。Tang Jin, Liang Xiong, Xie Bin, Chen Fangyan, Liu Bo[11]在文章中使用颜色阈值来分割交通标志，并用卡尔曼滤波对标志进行跟踪，最后用二维主成分分析进行标志的识别。Hua Huang, Chao Chen, Yulan Jia, Shuming Tang[13]在文献提出一种新的想法，即只针对圆形标志，用颜色分割及霍夫圆检测来对圆形交通标志进行检测识别。当问题较难解决时，我们可以分不同场景解决。

道路图像中倾斜交通标示的检测(2):http://www.751com.cn/shuxue/lunwen_53312.html