摘 要： 隨著機(jī)動車輛的日益增多，交通環(huán)境日益惡化，針對這種情況設(shè)計(jì)了一種基于SIFT算法的智能交通標(biāo)志識別系統(tǒng)，不僅可以有效地輔助交通監(jiān)管，而且能及時(shí)為駕駛員提供有效參考信息，避免違章事故的發(fā)生。利用SIFT算法構(gòu)建仿射不變的特征子空間，并結(jié)合交通標(biāo)志自身獨(dú)特的顏色及形狀特征，達(dá)到對交通標(biāo)志的有效檢測、識別和匹配，從而完成交通標(biāo)志的智能識別。該系統(tǒng)不僅為交通執(zhí)法部門裝備一雙智能化的慧眼，并且在一定程度上保障了駕駛員及乘客的人身安全。實(shí)驗(yàn)數(shù)據(jù)表明，本系統(tǒng)可以在復(fù)雜情況下高效、準(zhǔn)確地識別出交通標(biāo)志。

　　關(guān)鍵詞： 交通標(biāo)志；特征空間；智能識別；匹配

　　隨著經(jīng)濟(jì)的快速發(fā)展，車輛日益增多，導(dǎo)致交通事故頻發(fā)、交通執(zhí)法困難等問題。如何保障交通安全成為各國爭相研究的重點(diǎn)，各種新型智能交通系統(tǒng)也不斷地被研究、應(yīng)用。基于機(jī)器視覺的車輛導(dǎo)航技術(shù)在智能交通領(lǐng)域主要應(yīng)用于道路識別、碰撞識別、交通標(biāo)志識別三方面。目前對前兩項(xiàng)的研究較多，且已廣泛應(yīng)用于交通監(jiān)管各領(lǐng)域，而對交通標(biāo)志識別研究相對較少。據(jù)統(tǒng)計(jì)，絕大部分交通事故都是由于駕駛者忽視交通標(biāo)志而直接或間接導(dǎo)致的。如果有一套交通標(biāo)志自動識別裝置，則可以很大程度上杜絕該類事故的發(fā)生。本文設(shè)計(jì)了一種基于機(jī)器視覺的交通標(biāo)志自動識別系統(tǒng)，通過對交通標(biāo)志的檢測、識別、匹配[1]，實(shí)現(xiàn)行車輔助功能，保障行車安全。

1 SIFT算法基本原理

　　SIFT算法由LOWE D G于1999年首次提出，該算法具有尺度不變性特征，能夠確保圖像在進(jìn)行旋轉(zhuǎn)、平移或是尺寸大小、光照條件等產(chǎn)生變化的情況下保持良好的不變性。該算子是目前較為流行的特征檢測算子，被廣泛地應(yīng)用于圖像特征匹配等眾多研究領(lǐng)域。針對交通標(biāo)志在拍攝識別過程中會受到各種變化因素影響的問題，本文采用SIFT圖像匹配算法[2]，有效避免各種變化因素造成的誤匹配，提高了識別的準(zhǔn)確度。

　　SIFT圖像匹配算法首先通過建立圖像的尺度空間搜索該尺度空間中圖像局部極值點(diǎn)，將所得極值點(diǎn)作為候選關(guān)鍵點(diǎn)，并將其中不穩(wěn)定及對比度較低的點(diǎn)刪除，從而最終確定關(guān)鍵點(diǎn)的主方向，進(jìn)而生成每個(gè)關(guān)鍵點(diǎn)的特征描述符，最后采用特征描述符向量之間的歐氏距離度量兩個(gè)特征點(diǎn)之間的匹配程度。SIFT圖像匹配算法流程如圖1所示。

　　1.1 特征點(diǎn)檢測

　　特征點(diǎn)檢測一般可以分為三步：（1）對所建立的圖像尺度空間中的極值點(diǎn)進(jìn)行檢測；（2）對所檢測的候補(bǔ)關(guān)鍵點(diǎn)進(jìn)行篩選，剔除對比度低或是不穩(wěn)定的邊緣響應(yīng)點(diǎn)，即關(guān)鍵點(diǎn)的精確定位；（3）確定關(guān)鍵點(diǎn)主方向的分配工作。

　　在對尺度空間極值點(diǎn)的檢測過程中，需產(chǎn)生多尺度空間的核[3]，而高斯核則是唯一可以產(chǎn)生多尺度空間的核函數(shù)。用I(x，y)來表示一幅二維圖像，則其尺度空間L(x，y，σ)可表示為：

　　其中，σ為該尺度空間的空間尺度因子；G(x，y，σ)為高斯核函數(shù)，其定義為：

　　為了有效地檢測出尺度空間中的穩(wěn)定關(guān)鍵點(diǎn)，還需使用高斯差分（DOG）算子近似尺度歸一化的拉普拉斯 —高斯（LOG）算子：

　　其中，k為閾值。由此，將得到高斯金字塔，其分別通過降采樣及高斯平滑而得到，進(jìn)而再通過使用相鄰尺度圖像相減生成DOG金字塔后最終形成尺度空間。為確保在圖像空間和尺度空間都檢測到局部極值點(diǎn)，將每個(gè)采樣點(diǎn)與尺度空間內(nèi)的同尺度相鄰點(diǎn)及上下相鄰尺度中的8+9×2=26個(gè)點(diǎn)進(jìn)行比較。

　　通過擬合三維二次函數(shù)、設(shè)置相關(guān)閾值來更為精確地確定關(guān)鍵點(diǎn)的尺度和位置以及去除那些對比度較低的關(guān)鍵點(diǎn)，從而提高匹配的穩(wěn)定能力和抗噪能力。此外，還可以通過使用Hessian矩陣計(jì)算主曲率設(shè)定閾值的方法，以去除由DOG算子產(chǎn)生的較強(qiáng)邊緣響應(yīng)點(diǎn)集合中的不穩(wěn)定元素。

　　關(guān)鍵點(diǎn)方向的分配。將關(guān)鍵點(diǎn)鄰域像素的梯度方向分布作為每個(gè)關(guān)鍵點(diǎn)的指定方向信息，梯度值m(x，y)和方向θ(x，y)計(jì)算表達(dá)式為：

　　1.2 特征點(diǎn)描述

　　首先劃分關(guān)鍵點(diǎn)周圍區(qū)域，形成不同的分塊圖像；接著對所劃分的各個(gè)分塊內(nèi)的梯度直方圖進(jìn)行計(jì)算，用最終得到的向量描述符來抽象表示該分塊內(nèi)圖像的原本信息。

　　1.3 特征點(diǎn)匹配

　　使用最近鄰距離（NN）算法[4]對所生成的SIFT特征向量進(jìn)行相關(guān)匹配，即當(dāng)與樣本特征點(diǎn)最鄰近與次鄰近特征點(diǎn)的歐氏距離之比小于所設(shè)定的閾值時(shí)，認(rèn)為該對特征點(diǎn)匹配；否則認(rèn)為不匹配。LOWE D G經(jīng)過多次實(shí)驗(yàn)，將閾值設(shè)定為0.8。采用BBF對128維特征向量[4]進(jìn)行相應(yīng)處理，計(jì)算特征點(diǎn)之間的歐氏距離。

　　2 系統(tǒng)設(shè)計(jì)

　　系統(tǒng)設(shè)計(jì)如圖2所示。系統(tǒng)首先通過交通標(biāo)志最典型的顏色和形狀特征[5]進(jìn)行初分類，標(biāo)識感興趣區(qū)域，并將感興趣區(qū)域通過圓形框標(biāo)識、分割，系統(tǒng)在接下來的匹配中增加對感興趣區(qū)域的關(guān)注，如匹配成功，將不再對其他非標(biāo)示區(qū)域進(jìn)行匹配處理。這樣不僅簡化了計(jì)算，而且提高了識別效率和實(shí)時(shí)性，貼近于現(xiàn)實(shí)環(huán)境，而非僅僅停留于研究層面。系統(tǒng)最終完成對圖像中交通標(biāo)識的識別并輸出判定信息。

3 實(shí)驗(yàn)結(jié)果與分析

　　3.1 初分類

　　首先，利用顏色及形狀特征[5]對圖片進(jìn)行初分，標(biāo)識含有交通標(biāo)志的感興趣區(qū)域，得到僅含交通標(biāo)志的特定區(qū)域。圖3為實(shí)地拍攝的含有交通標(biāo)志的圖像，圖4為標(biāo)識出感興趣區(qū)域的圖像。

　　3.2 特征匹配

　　在初分基礎(chǔ)上，利用SIFT算法對交通標(biāo)志的關(guān)鍵點(diǎn)進(jìn)行提取，將所提取的關(guān)鍵點(diǎn)特征與交通標(biāo)志數(shù)據(jù)庫中的各標(biāo)志特征子空間進(jìn)行匹配，最終得到并輸出相應(yīng)的匹配結(jié)果。圖5、圖6分別為圖4中兩個(gè)交通標(biāo)志的特征匹配圖。

　　為了檢測本算法的效果，分別設(shè)計(jì)了4組測試實(shí)驗(yàn)。每組所涉及的含有交通標(biāo)志的圖像和交通標(biāo)志被不同程度（共分10擋：10%、20%、30%、40%、50%、55%、60%、65%、70%、85%）地遮擋，遮擋形式如圖7所示，總量各不相同，呈遞增狀。其中，每組實(shí)驗(yàn)中所選用的交通標(biāo)志盡量不同，以達(dá)到涵蓋各種情況的目的。實(shí)驗(yàn)的結(jié)果如表1所示。

　　實(shí)驗(yàn)結(jié)果表明，本系統(tǒng)在交通標(biāo)志識別方面錯(cuò)誤率低、兼容性好、冗余度低、遺漏程度較小，但在遮擋部分達(dá)到一定比例時(shí)會出現(xiàn)不同程度的誤判。

　　本文所設(shè)計(jì)的基于SIFT算法的交通標(biāo)志識別系統(tǒng)不論在正確率還是效率上都有了很大的提升，且在不同尺寸、角度及光照條件下識別力良好，使得本系統(tǒng)投入實(shí)際應(yīng)用成為可能。但是，該系統(tǒng)對于交通標(biāo)志大面積遮擋或多目標(biāo)重疊情況識別力不足，需添加其他輔助識別手段加以完善。

參考文獻(xiàn)

　　[1] ZITOUA B，F(xiàn)lusser J．Image registration methods：a survey[J]．Image and Vision Computing，2003，21：977-100．

　　[2]張煒，劉偉，普杰信．一種基于SIFT和區(qū)域選擇的圖像拼接方法[J]．微電子與計(jì)算機(jī)，2010，27(6)：205-207．

　　[3] Lindeberg T．Scale-space theory：a basic tool for analyzing structures at different scales[J]．Journal of Applied Statistics，1994，21(2)：225-270．

　　[4] Lowe D G．Distinctive image features from scale-invariant keypoints[J]．International Journal of Computer Vision，2004，60(2)：91-110．

　　[5] Besserer B, Estable S, Ulmer B, et al. Shape classification for traffic sign recognition[C]. 1st IFAC Iaternational Workshop on Intelligent Autonomous in Vehicles， 1993：487-492.