摘 要： 隨著機(jī)動(dòng)車(chē)輛的日益增多，交通環(huán)境日益惡化，針對(duì)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(shí)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(duì)交通標(biāo)志的有效檢測(cè)、識(shí)別和匹配，從而完成交通標(biāo)志的智能識(shí)別。該系統(tǒng)不僅為交通執(zhí)法部門(mén)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(shí)別出交通標(biāo)志。

　　關(guān)鍵詞： 交通標(biāo)志；特征空間；智能識(shí)別；匹配

　　隨著經(jīng)濟(jì)的快速發(fā)展，車(chē)輛日益增多，導(dǎo)致交通事故頻發(fā)、交通執(zhí)法困難等問(wèn)題。如何保障交通安全成為各國(guó)爭(zhēng)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?；跈C(jī)器視覺(jué)的車(chē)輛導(dǎo)航技術(shù)在智能交通領(lǐng)域主要應(yīng)用于道路識(shí)別、碰撞識(shí)別、交通標(biāo)志識(shí)別三方面。目前對(duì)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(duì)交通標(biāo)志識(shí)別研究相對(duì)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(dòng)識(shí)別裝置，則可以很大程度上杜絕該類(lèi)事故的發(fā)生。本文設(shè)計(jì)了一種基于機(jī)器視覺(jué)的交通標(biāo)志自動(dòng)識(shí)別系統(tǒng)，通過(guò)對(duì)交通標(biāo)志的檢測(cè)、識(shí)別、匹配[1]，實(shí)現(xiàn)行車(chē)輔助功能，保障行車(chē)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(cè)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(duì)交通標(biāo)志在拍攝識(shí)別過(guò)程中會(huì)受到各種變化因素影響的問(wèn)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(shí)別的準(zhǔn)確度。

　　SIFT圖像匹配算法首先通過(guò)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(duì)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?jī)蓚€(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(cè)

　　特征點(diǎn)檢測(cè)一般可以分為三步：（1）對(duì)所建立的圖像尺度空間中的極值點(diǎn)進(jìn)行檢測(cè)；（2）對(duì)所檢測(cè)的候補(bǔ)關(guān)鍵點(diǎn)進(jìn)行篩選，剔除對(duì)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(duì)尺度空間極值點(diǎn)的檢測(cè)過(guò)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(lái)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(cè)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(guò)降采樣及高斯平滑而得到，進(jìn)而再通過(guò)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(cè)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(guò)擬合三維二次函數(shù)、設(shè)置相關(guān)閾值來(lái)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(duì)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(guò)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?chē)鷧^(qū)域，形成不同的分塊圖像；接著對(duì)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(lái)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(duì)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(duì)特征點(diǎn)匹配；否則認(rèn)為不匹配。LOWE D G經(jīng)過(guò)多次實(shí)驗(yàn)，將閾值設(shè)定為0.8。采用BBF對(duì)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(guò)交通標(biāo)志最典型的顏色和形狀特征[5]進(jìn)行初分類(lèi)，標(biāo)識(shí)感興趣區(qū)域，并將感興趣區(qū)域通過(guò)圓形框標(biāo)識(shí)、分割，系統(tǒng)在接下來(lái)的匹配中增加對(duì)感興趣區(qū)域的關(guān)注，如匹配成功，將不再對(duì)其他非標(biāo)示區(qū)域進(jìn)行匹配處理。這樣不僅簡(jiǎn)化了計(jì)算，而且提高了識(shí)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(duì)圖像中交通標(biāo)識(shí)的識(shí)別并輸出判定信息。

3 實(shí)驗(yàn)結(jié)果與分析

　　3.1 初分類(lèi)

　　首先，利用顏色及形狀特征[5]對(duì)圖片進(jìn)行初分，標(biāo)識(shí)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(shí)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(duì)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(kù)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(cè)本算法的效果，分別設(shè)計(jì)了4組測(cè)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(shí)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(huì)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(shí)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(shí)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(duì)于交通標(biāo)志大面積遮擋或多目標(biāo)重疊情況識(shí)別力不足，需添加其他輔助識(shí)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.