基于特征匹配的交通標(biāo)志識(shí)別算法*

江治國(guó)，陳小林

(安徽國(guó)防科技職業(yè)學(xué)院機(jī)電工程系，安徽 六安 237011)

基于特征匹配的交通標(biāo)志識(shí)別算法*

江治國(guó)，陳小林

(安徽國(guó)防科技職業(yè)學(xué)院機(jī)電工程系，安徽 六安 237011)

智能交通系統(tǒng)(ITS)是當(dāng)前研究的熱點(diǎn)，而在ITS中的關(guān)鍵技術(shù)之一就是交通標(biāo)志的特征提取技術(shù).針對(duì)交通標(biāo)志的特征提取，提出利用尺度不變特征變換(SIFT)算法提取交通標(biāo)志的點(diǎn)特征，采取最小距離分類(lèi)器對(duì)特征向量進(jìn)行分類(lèi)，并通過(guò)Matlab、仿真驗(yàn)證實(shí)驗(yàn)結(jié)果，結(jié)果表明能夠較好地檢測(cè)出交通標(biāo)志的特征.

智能交通系統(tǒng);尺度不變特征變換;交通標(biāo)志;特征提取;最小距離分類(lèi)器

交通標(biāo)志的識(shí)別最終是將檢測(cè)到的交通標(biāo)志的特征通過(guò)一些算法進(jìn)行分類(lèi)識(shí)別，當(dāng)前很多學(xué)者提出采用向量機(jī)下機(jī)器學(xué)習(xí)模型［1］、模板匹配算法、聚類(lèi)分析、人工神經(jīng)網(wǎng)絡(luò)等.基于特征的圖像匹配技術(shù)根據(jù)匹配目標(biāo)的需要進(jìn)行特征的組合、變換，以形成易于匹配、穩(wěn)定性好的特征向量［2］.尺度不變特征變換［3］(scale invariant feature transform，SIFT)算法就是基于模板匹配的算法之一，SIFT特征是圖像的局部特征，該特征對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性，對(duì)視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性.SIFT的特征匹配算法在特征匹配方面取得顯著進(jìn)展，性能得到充分肯定.SIFT特征描述對(duì)于檢測(cè)交通標(biāo)志的特征點(diǎn)具有較好的性能，不僅能夠提高系統(tǒng)的運(yùn)算速度，而且具有較高的識(shí)別率，提取出的特征點(diǎn)進(jìn)行SIFT特征描述，然后利用最近鄰歐式距離進(jìn)行匹配，能有效解決傳統(tǒng)的特征匹配算法對(duì)圖像尺寸和旋轉(zhuǎn)比較敏感的問(wèn)題.

1 SIFT算法理論

1.1 SIFT描述符

圖1 SIFT描述符中主方向計(jì)算示意圖

為了實(shí)現(xiàn)圖像的旋轉(zhuǎn)不變性，需要根據(jù)檢測(cè)到的特征點(diǎn)的局部圖像結(jié)構(gòu)求得一個(gè)方向基準(zhǔn).使用圖像梯度的方法求取該局部結(jié)構(gòu)的穩(wěn)定方向，對(duì)于已經(jīng)檢測(cè)到的特征點(diǎn)，知道了該尺度的特征值，根據(jù)這個(gè)尺度信息，選擇描述該點(diǎn)的鄰域大小，計(jì)算出此領(lǐng)域范圍內(nèi)的高斯圖像梯度，再使用直方圖，統(tǒng)計(jì)鄰域內(nèi)像素的梯度方向和幅值.如圖1所示，梯度方向直方圖的橫軸是方向角，縱軸是梯度方向角對(duì)應(yīng)的梯度幅值累加值.梯度方向直方圖將0～360°的范圍分為36個(gè)柱，每10°為1個(gè)柱，直方圖的峰值代表了該特征點(diǎn)處鄰域內(nèi)圖像梯度的主方向，即為該特征點(diǎn)的主方向.這個(gè)向量是該區(qū)域圖像信息的一種抽象，具有唯一性.

圖2 SIFT描述符的128維向量生成圖解

如圖2所示，描述SIFT特征點(diǎn)的向量為128維，取關(guān)鍵點(diǎn)周?chē)?6×16領(lǐng)域，按4×4大小劃分，共分成16塊.每塊里面含有4×4個(gè)像素點(diǎn)，統(tǒng)計(jì)每塊里面8個(gè)方向的梯度直方圖，由于有16塊，因此對(duì)一個(gè)關(guān)鍵點(diǎn)領(lǐng)域的描述子向量就是16×8=128維的特征向量，這樣就生成了SIFT描述符.

1.2 SIFT算法

Lowe在前人的基礎(chǔ)上提出了SIFT算法，該算法將斑點(diǎn)檢測(cè)、特征矢量生成、特征匹配搜索等步驟完整地結(jié)合在一起進(jìn)行優(yōu)化，達(dá)到接近實(shí)時(shí)的運(yùn)算速度.對(duì)于同一個(gè)場(chǎng)景拍攝到的2幅圖像，若提取的2個(gè)特征點(diǎn)描述矢量間距離很小，則這2個(gè)特征點(diǎn)在對(duì)應(yīng)場(chǎng)景的同一位置，若距離很大則不在同一位置.SIFT特征匹配是通過(guò)計(jì)算一幅圖像中所有特征點(diǎn)與另外一幅圖像中所有特征點(diǎn)之間的歐氏距離來(lái)實(shí)現(xiàn)的［4］.從2組特征點(diǎn)集合中找到兩兩距離最近的特征點(diǎn)匹配對(duì)，這個(gè)匹配對(duì)對(duì)應(yīng)的是場(chǎng)景中同一個(gè)位置.圖3給出了在光照變化情況下SIFT算法的匹配分?jǐn)?shù)，橫坐標(biāo)描述了光照變換的程度，縱坐標(biāo)是匹配分?jǐn)?shù).由圖3可以看出，SIFT算法在一定程度上對(duì)于光照變化保持較好的匹配效果.

圖3 光照變換下SIFT算法的匹配分?jǐn)?shù)

2 基于SIFT算法交通標(biāo)志識(shí)別流程設(shè)計(jì)

SIFT算法的流程如圖4所示，交通標(biāo)志識(shí)別系統(tǒng)的流程如圖5所示.識(shí)別系統(tǒng)有3個(gè)分類(lèi)器，分別為顏色特征分類(lèi)器、形狀特征分類(lèi)器以及最小距離分類(lèi)器［5］，其中顏色特征分類(lèi)器和形狀特征分類(lèi)器主要用于實(shí)現(xiàn)待測(cè)交通標(biāo)志圖的粗分類(lèi)，然后通過(guò)最小距離分類(lèi)器實(shí)現(xiàn)待測(cè)樣本的細(xì)分類(lèi).另外，可以看到系統(tǒng)框架(圖5)的右下角有一個(gè)小矩形框內(nèi)的區(qū)域，包括交通標(biāo)志數(shù)據(jù)庫(kù)的子數(shù)據(jù)庫(kù)和交通標(biāo)志子數(shù)據(jù)庫(kù)的特征子空間.交通標(biāo)志子數(shù)據(jù)庫(kù)的特征子空間存放的是交通標(biāo)志樣本的SIFT特征.

圖4 SIFT算法的流程

圖5 交通標(biāo)志識(shí)別系統(tǒng)的流程

SIFT算法特征提取部分源程序代碼如下所示:

3 算法應(yīng)用

3.1 特征庫(kù)的建立

根據(jù)系統(tǒng)設(shè)計(jì)的要求，特征庫(kù)為分層特征庫(kù)，從上到下依次為顏色特征庫(kù)、形狀特征庫(kù)和SIFT特征庫(kù).算法首先根據(jù)顏色特征將交通標(biāo)志粗分類(lèi)為藍(lán)、黃和紅3類(lèi)，即指示標(biāo)志、警告標(biāo)志和禁令標(biāo)志;然后根據(jù)形狀特征進(jìn)一步進(jìn)行細(xì)化，將這3類(lèi)交通標(biāo)志根據(jù)是矩形、三角形、圓形或其他圖形進(jìn)一步細(xì)化;最后根據(jù)SIFT特征來(lái)進(jìn)一步精確定位交通標(biāo)志的類(lèi)別，實(shí)現(xiàn)交通標(biāo)志的識(shí)別.利用采集的自然場(chǎng)景下的圖像作為實(shí)驗(yàn)樣本，根據(jù)光照條件將圖片分為早晨、中午和下午3種類(lèi)型，根據(jù)天氣狀況不同分為晴天、有霧和雨天.試驗(yàn)選用樣本數(shù)量如表格1所示.采集的部分圖像樣本如圖6所示.

表1 不同天氣環(huán)境下實(shí)驗(yàn)樣本數(shù)量

將采集到的圖像經(jīng)過(guò)預(yù)處理后，從自然場(chǎng)景中分割出交通標(biāo)志，根據(jù)顏色特征將交通標(biāo)志粗分類(lèi)，根據(jù)形狀特征進(jìn)一步進(jìn)行細(xì)分類(lèi)，最后根據(jù)SIFT特征來(lái)進(jìn)一步精確分類(lèi)，用4×4共16個(gè)種子點(diǎn)來(lái)表示圖像每一個(gè)關(guān)鍵點(diǎn)的特征，每一個(gè)種子點(diǎn)有8個(gè)方向的向量信息，每一個(gè)方向信息包含了方向和大小2個(gè)元素，即每個(gè)關(guān)鍵點(diǎn)產(chǎn)生128維SIFT特征向量.將生成的特征向量存放在SIFT特征向量庫(kù)中.

3.2 SIFT算法特征匹配

圖7 SIFT算法匹配

對(duì)特征點(diǎn)進(jìn)行描述一般分為2個(gè)步驟［6］:首先為特征點(diǎn)確定一個(gè)主方向，然后根據(jù)其領(lǐng)域信息生成特征向量.當(dāng)2幅圖像的SIFT特征向量生成以后，采用關(guān)鍵點(diǎn)特征向量的歐式距離作為2幅圖像中關(guān)鍵點(diǎn)的相似性的判定度量，如圖7所示，在2個(gè)關(guān)鍵點(diǎn)中，若最近的距離除以次近的距離少于某個(gè)比例閾值，則保留該匹配點(diǎn).降低比例閾值，雖然SIFT匹配點(diǎn)數(shù)量減少，但是系統(tǒng)會(huì)更加穩(wěn)定.

3.3 基于SIFT算法交通標(biāo)志識(shí)別系統(tǒng)的設(shè)計(jì)

系統(tǒng)設(shè)計(jì)在Matlab R2009a平臺(tái)下，Intel○RCore(TM)2 Quad CPU Q9500硬件平臺(tái)、Windows XP pack3環(huán)境下進(jìn)行.操作方法如下:點(diǎn)擊“打開(kāi)文件”按鈕，選擇并打開(kāi)一張待測(cè)的交通標(biāo)志圖案，然后單擊“顏色分類(lèi)”按鈕，根據(jù)顏色分類(lèi)器對(duì)輸入的交通標(biāo)志進(jìn)行粗分類(lèi)，即確定是禁令標(biāo)志、指示標(biāo)志還是警告標(biāo)志;接著單擊“形狀分類(lèi)”，根據(jù)形狀分類(lèi)器來(lái)確定輸入圖像的形狀特征，如圓形、矩形和三角形，進(jìn)一步確定待測(cè)圖像所屬的類(lèi)別;最后根據(jù)最小距離分類(lèi)器來(lái)精確確定交通標(biāo)志的類(lèi)別.基于SIFT算法交通標(biāo)志識(shí)別系統(tǒng)系統(tǒng)設(shè)計(jì)如圖8所示.其中，“打開(kāi)文件”按鈕實(shí)現(xiàn)選擇打開(kāi)待測(cè)交通標(biāo)志圖的功能;“顏色分類(lèi)”按鈕根據(jù)輸入待測(cè)交通標(biāo)志圖片的顏色特征，對(duì)交通標(biāo)志進(jìn)行粗分類(lèi)，實(shí)現(xiàn)系統(tǒng)的第1層分類(lèi)功能;“顏色分類(lèi)器”面板里的編輯框用于顯示顏色分類(lèi)的結(jié)果;“形狀分類(lèi)”按鈕則根據(jù)提取的形狀特征實(shí)現(xiàn)交通標(biāo)志的第2層分類(lèi)功能;“最小距離分類(lèi)”按鈕則實(shí)現(xiàn)的第3層分類(lèi)功能，根據(jù)SIFT特征實(shí)現(xiàn)系統(tǒng)的精細(xì)分類(lèi)，確定待測(cè)交通標(biāo)志的類(lèi)別，實(shí)現(xiàn)該系統(tǒng)設(shè)計(jì)的最終目的.

圖8 交通標(biāo)志識(shí)別系統(tǒng)界面

3.4 實(shí)驗(yàn)結(jié)果及分析

對(duì)采集的自然場(chǎng)景圖像進(jìn)行分割，分割出圖像中的指示、警告和禁令標(biāo)志，并對(duì)得到的交通標(biāo)志進(jìn)行放大、縮小、旋轉(zhuǎn)變換，共得到140個(gè)測(cè)試樣本.特征匹配模板采用國(guó)家標(biāo)準(zhǔn)交通標(biāo)志庫(kù)的圖片，利用該系統(tǒng)和文中的算法進(jìn)行相關(guān)實(shí)驗(yàn)，得到的統(tǒng)計(jì)結(jié)果如表2所示.

表2 實(shí)驗(yàn)系統(tǒng)識(shí)別結(jié)果統(tǒng)計(jì)

從圖8的實(shí)驗(yàn)結(jié)果和表2的統(tǒng)計(jì)結(jié)果可以看出，文中提出的基于SIFT算法交通標(biāo)志識(shí)別系統(tǒng)具有較高的識(shí)別率，但是對(duì)于一些交通標(biāo)志相似度較高的交通標(biāo)志會(huì)出現(xiàn)誤識(shí)別.經(jīng)過(guò)分析推知，這是由于相類(lèi)似的交通標(biāo)志圖提取的SIFT特征具有很大的相似性，并且在利用最小分類(lèi)器識(shí)別的時(shí)候，會(huì)出現(xiàn)一定范圍內(nèi)的誤差.

4 結(jié)語(yǔ)

上述仿真實(shí)驗(yàn)及結(jié)果分析說(shuō)明，SIFT算法對(duì)于交通標(biāo)志的特征點(diǎn)匹配具有較高的優(yōu)越性，不僅能夠提高系統(tǒng)的識(shí)別率，而且能夠簡(jiǎn)化識(shí)別系統(tǒng)，避免采用向量機(jī)下機(jī)器學(xué)習(xí)模型、人工神經(jīng)網(wǎng)絡(luò)等需要對(duì)實(shí)驗(yàn)樣本進(jìn)行訓(xùn)練的繁瑣過(guò)程，在智能交通識(shí)別系統(tǒng)中具有較高的應(yīng)用價(jià)值.

［1］ 李 海，李春來(lái)，侯德艷.支持向量機(jī)下機(jī)器學(xué)習(xí)模型的分析［J］.吉首大學(xué)學(xué)報(bào):自然科學(xué)版，2010，31(3):39-40.

［2］ 賈世杰，王鵬翔，姜海洋.基于SIFT的圖像匹配算法［J］.大連交通大學(xué)學(xué)報(bào)，2010，31(2):17-18.

［3］ LOWE D G.Distinctive Image Features from Scale-Invariant Key-Points［J］.International Journal of Computer Vision，2004，60(2):91-110.

［4］ 楊幸芳，黃玉美.一種提高SIFT特征匹配效率的方法［J］.中國(guó)機(jī)械工程，2012，23(11):1 297-1 301.

［5］ 張 錚.數(shù)字圖像處理與機(jī)器視覺(jué)［M］.北京:人民郵電出版社，2010:428-430.

［6］ 吳文歡，李騫，江澤濤.基于局部不變特征的圖像匹配算法［J］.計(jì)算機(jī)工程與應(yīng)用，2012，48(14):168-170;219.

(責(zé)任編輯 向陽(yáng)潔)

Traffic Sign Recognition Algorithm Based on Feature Matching

JIANG Zhi-guo，CHEN Xiao-lin
(Department of Mechanical and Electrical Engineering，Anhui Vocational College of Defense Technology，Liu’an 237011，Anhui China)

Intelligent transportation system(ITS)is currently a hot research subject，and the key technology in ITS is traffic signs feature extraction technique.This article，focuse on the characteristics of the traffic signs extraction，proposes use of the scale invariant feature transform algorithm to extract point characteristics of the traffic signs and use of minimum distance classifier to classify feature vectors.By Matlab，simulation is used to test the results.The results show that the characteristics of the traffic signs can be better detected.

intelligent transportation system;scale invariant feature transform;traffic sign;feature matching;minimum distance classifier

TP391

A

10.3969/j.issn.1007-2985.2013.01.008

1007-2985(2013)01-0028-05

2012-11-20

中央財(cái)政支持“高等職業(yè)學(xué)校提升專(zhuān)業(yè)服務(wù)能力項(xiàng)目”(580202);電工電子安徽省級(jí)示范實(shí)驗(yàn)實(shí)訓(xùn)中心項(xiàng)目(20101687)

江治國(guó)(1982-)，男，安徽六安人，安徽國(guó)防科技職業(yè)學(xué)院機(jī)電工程系助教，碩士，主要從事數(shù)字圖像處理研究.