摘  要： 采用屬性輪方法建立交通標志的定性映射模型，利用此模型結合轉化程度函數，對交通標志進行識別。實驗結果表明，定性映射在交通標志識別領域具有一定的應用價值。
關鍵詞： 定性映射；轉化程度函數；輪廓特征

　交通標志識別作為智能交通系統的重要組成部分[1]，20世紀80年代首先在發達國家興起，目前國內外有關交通標志識別的研究很多都涉及到基于神經網絡、模板匹配、顏色匹配等方法。本文針對交通標志的識別環節，首次利用定性映射之差定義的小波[2]，提取圖像輪廓特征向量，建立交通指示標志的定性映射模型，利用定性映射與轉化程度函數對其進行模糊識別。
1 系統處理流程
　交通標志的識別流程如圖1所示。本文所要構建的交通標志識別的定性映射模型，首先是對圖像進行預處理，得到形狀特征向量，通過不斷學習，建立6種指示標志的定性映射模型。識別過程中，通過定性映射模型和轉化程度函數，找出待識別標志所屬類型或最接近類型。

2 屬性論方法識別交通標志
　事物只有通過屬性才能反映其自身，以及和其他事物之間的關系，所以屬性是人們區別不同事物的標志或基準。交通指示標志有其自身的形狀特征屬性[5]，通過定性映射模型和轉化程度函數就能找到與之對應的類型。

　本文以6種交通標志為例，首先對6種指示標志的學習樣本圖像網格化，統計每幅圖像對應每個小網格中像素值為0的個數xij（j=1，2，3…81），通過對學習樣本的不斷學習，就可以建立指示標志對應的形狀特征向量xi=（xi1，xi2…xi81），向量中各元素xij的基準為[αj，βj]。利用屬性論中定性映射的相關知識，建立6種指示標志的形狀特征的定性映射模型[6]。

　本文利用屬性論中定性映射與定性基準變換的相關知識建立交通指示標志的定性映射模型，并結合轉化程度函數對交通指示標志進行模糊識別。并用BP神經網絡的方法做了對比，實驗證明了這種模型的合理性、有效性。今后可在下述方面進行一些研究：（1）由于本文的實驗對象主要是針對標準圖或者出現某種局部損傷的圖像，今后可以在實景圖中進行交通標志的識別；（2）對已實現的算法做進一步的優化工作，爭取達到更好的結果；（3）本文所提出的交通標志識別還有待于在實踐中不斷完善和改進。
參考文獻
[1] 方敏，李福才.流行學習在交通標志識別中的應用研究[D].西安：西安電子科技大學，2010.
[2] 馮嘉禮.思維與智能科學中的性質論方法[M].北京：原子能出版社，1990.
[3] 馮嘉禮.感知和判斷中的基準變換及其性質坐標分析法[J].廣西科學，1994，1（4）：6-13.
[4] 李文佩.基于定型映射和轉化程度函數的漢字識別[D].上海：上海海事大學，2004.
[5] Feng Jiali. Attribute network computing based on qualitative mapping and its application in pattern recognition[J]. Journal of Intelligent and Fuzzy System， 2008（19）：243-258.
[6] Feng Jiali. Qualitative mapping model of pattern recognition， rough sets and knowledge technology[R]. LNAI  5009， Spriger：636-643
[7] 馮嘉禮.定性映射、基準變換、轉化程度函數、人工神經元和集合模糊化[J].模糊數學與系統，2004（18）：53-56.
[8] 周巖炎，馮嘉禮，基于定性映射的數字音頻水印算法[J].廣西示范大學學報，2011，29.