李 新，禹 翼

LI Xin1, YU Yi2

（1.桂林理工大學(xué) 信息科學(xué)與工程學(xué)院，桂林 541004；2.桂林理工大學(xué) 機(jī)械與控制工程學(xué)院，桂林 541004）

0 引言

近半個世紀(jì)來，隨著城市化的進(jìn)展和汽車的普及，交通運(yùn)輸問題日益嚴(yán)重，交通阻塞、交通事故頻繁發(fā)生，交通環(huán)境不斷惡化。尤其近十多年來，無論是發(fā)達(dá)國家還是發(fā)展中國家，都不同程度地受到交通問題的困擾。如何保障公路交通的安全和提高運(yùn)輸效率，各國將研究的重點(diǎn)從擴(kuò)展路網(wǎng)規(guī)模逐步轉(zhuǎn)移到集通信、檢測、控制和計(jì)算機(jī)技術(shù)與一體的智能交通系統(tǒng)的研究上來?；谝曈X的車輛導(dǎo)航技術(shù)作為智能交通系統(tǒng)研究的一個重要的分支領(lǐng)域，在智能交通系統(tǒng)的應(yīng)用中有三個方面：l）道路識別；2）碰撞識別；3）交通標(biāo)志識別。前兩方面研究較多，并取得許多好的結(jié)果，但在交通標(biāo)志識別方面研究較少。由于交通標(biāo)志被設(shè)計(jì)成特殊的顏色和形狀以易于人眼的識別，所以往往不受人們的重視并把它作為智能化的技術(shù)來研究，但隨著私家車的日益增多，汽車已成為我們?nèi)粘Ｉ畹囊徊糠?，有時因?yàn)樘鞖庠蚰芤姸鹊停緳C(jī)新手上路，打手機(jī)，被路邊無處不在的廣告干擾，疲勞駕駛甚至酒后駕駛等原因，忽視交通標(biāo)志而引發(fā)的交通事故頻繁發(fā)生。如果有一套自動交通標(biāo)志識別裝置作為輔助駕駛系統(tǒng)，適時地提醒司機(jī)前方的路況，幫助司機(jī)對車輛進(jìn)行控制(如遇限速標(biāo)志自動減速等)，就能夠大大提高行車的安全性。交通標(biāo)志自動識別系統(tǒng)可以應(yīng)用到許多領(lǐng)域，比如軍用和民用無人駕駛車輛研究項(xiàng)目中，最重要的就是它的“視覺系統(tǒng)”，它們能自動認(rèn)清道路和環(huán)境，避讓障礙，甚至可以規(guī)劃路徑；在未來的汽車自動、半自動駕駛系統(tǒng)中交通標(biāo)志的自動識別是其控制系統(tǒng)的必要組件之一；在電子交通地圖中，交通標(biāo)志自動識別給車輛在交通圖中的定位提供必要信息；另外還可用于盲人出行輔助系統(tǒng)中?？梢娊煌?biāo)志自動識別的研究具有廣泛的意義。

1 SIFT算子

SIFT(Scale Invariant Feature Transformation)算法是由David Lowe于1999年提出的基于圖像局部特征的算法，并在2004年進(jìn)行了完善。SIFT算子是一種具有尺度不變性算法，它對圖像的尺度變化、水平旋轉(zhuǎn)、平移以及光照變化具有保持不變的特性，同時對于圖像經(jīng)度與緯度傾斜變化以及噪聲也具有一定的穩(wěn)定性，是目前比較流行的特征檢測算子。SIFT特征點(diǎn)檢測算法己經(jīng)被廣泛應(yīng)用于很多領(lǐng)域。SIFT算法的主要步驟如圖1所示。

圖1 SIFT算法流程圖

SIFT 特征點(diǎn)的提取流程：

l）尺度空間的生成：同一幅圖像在不同尺度下的圖像的有機(jī)集合為尺度空間，即給同一幅圖像添加了一個新的坐標(biāo)因子。建立尺度空間即建立一幅圖像尺度從大到小的尺度的若干幅圖像的有機(jī)集合。經(jīng)過Koenderink 和Lindeberg 高斯卷積核是尺度空間的唯一線性核，通過高斯核平滑圖像，并進(jìn)行采樣。并建立高斯金字塔， 在金字塔中計(jì)算空間局部極值，將待檢測的點(diǎn)與其所在階層的像素點(diǎn)進(jìn)行比對，如果是極值，則認(rèn)為是SIFT 候選點(diǎn)。

高斯函數(shù)如式（1）所示。其中，σ為高斯正態(tài)分布的方差：

高斯金字塔相鄰兩尺度空間函數(shù)之差形成Dog函數(shù)，其公式如下：

2）確定特征點(diǎn)位置：為了計(jì)算關(guān)鍵點(diǎn)的偏移量，獲得亞像素定位精度，可以通過二階Taylor展開式來計(jì)算得出。由于DOG算子能夠產(chǎn)生較大的邊緣響應(yīng)，且對噪聲比較敏感，因此，在計(jì)算的同時為了剔除差異小的點(diǎn)可以通過設(shè)置閾值來實(shí)現(xiàn)，并用Hessian矩陣技術(shù)剔除不穩(wěn)定的邊緣響應(yīng)點(diǎn)。為了對特征點(diǎn)的位置和尺度精確確定，可以采用對局部極值點(diǎn)進(jìn)行三維二次函數(shù)擬合。局部極值點(diǎn)在尺度空間函數(shù)處的泰勒展開式如公式（4）所示。

通過附近區(qū)域的差分來近似可求出公式（4）中的一階和二階導(dǎo)數(shù)，列出其中的幾個，如式（5）所示，其他以此類推。

其中，k為當(dāng)前層，k-1為下一層，k+1為上一層。

精確的極值位置Xmax是通過公式（4）為0求導(dǎo)得出，如公式（6）所示：

在特征點(diǎn)位置確定完的同時，還需刪除已提取的低對比度特征點(diǎn)和一些不太穩(wěn)定的邊緣響應(yīng)點(diǎn)，以增強(qiáng)匹配的穩(wěn)定性和提高抗噪能力。

針對去除低對比度的特征點(diǎn)方面，可以把公式（6）代到公式（4）中，取前兩項(xiàng)，得到公式（7）：

通過公式（8）計(jì)算出主曲率。根據(jù)文獻(xiàn)[22]，由于D的主曲率與H矩陣的特征值成比例，因此，只需求二者比值r，具體的特征值不需求出。設(shè)最大幅值特征為α，次大幅值特征為，那么比例，如公式（9）：

3）確定特征點(diǎn)尺度：對于確定特征點(diǎn)方向，可以通過統(tǒng)計(jì)相鄰26個像素點(diǎn)的梯度方向分布所指定的方向進(jìn)行判定。為了保持算子的旋轉(zhuǎn)不變性，可以通過在匹配時把圖像旋轉(zhuǎn)到統(tǒng)一的方向模式。特征點(diǎn)(x,y)處的梯度模值和主方向如下公式：

其中m(x,y)為(x,y)處的梯度模值，θ(x,y)為(x,y)處梯度的主方向，每個特征點(diǎn)各自所在的尺度為L。

在實(shí)際計(jì)算過程中，特征點(diǎn)方向的確定是通過方向直方圖來解決的。即對特征點(diǎn)鄰域內(nèi)相鄰各像素點(diǎn)方向進(jìn)行統(tǒng)計(jì)，指向方向最多的方向就是該特征點(diǎn)的主方向。

到此為止，對于特征點(diǎn)的提取工作已經(jīng)完成，每個特征點(diǎn)都具有了三個描述信息，也就是特征點(diǎn)的位置、方向、大小。那么同時也就可以通過這些描述信息確定含有它們的SIFT特征區(qū)域。

2 系統(tǒng)設(shè)計(jì)（如圖2所示）

圖2 系統(tǒng)流程圖

3 實(shí)驗(yàn)

1）粗分類：

從實(shí)地拍攝到的場景中，基于顏色與形狀特征對場景圖進(jìn)行粗分類，找出含有交通標(biāo)志的區(qū)域。圖3（a）中為實(shí)地拍攝的交通標(biāo)志，圖3（b）為粗分類后提取的感興趣區(qū)域。

圖3 實(shí)拍交通標(biāo)志及提取后效果圖

2）精分類：

在粗分類找出含有交通標(biāo)志區(qū)域的基礎(chǔ)上，采用SIFT算子提取關(guān)鍵點(diǎn)特征，并與其對應(yīng)的交通標(biāo)志子數(shù)據(jù)庫圖像特征子空間進(jìn)行多層次篩選匹配，得到如下結(jié)果，圖4(a)、(b)分別為上圖中兩個交通標(biāo)志的特征匹配圖。

圖4 交通標(biāo)志匹配圖

為了便于駕駛者識別，我們最后的視圖輸出窗口完善成如圖5所示，在窗口右側(cè)放入事先自制的交通標(biāo)志子數(shù)據(jù)庫模型，在計(jì)算機(jī)進(jìn)行識別處理之后，場景圖的周圍就會出現(xiàn)系統(tǒng)識別出的交通標(biāo)志對應(yīng)的模板圖形，以便識別，識別結(jié)果如圖5所示。

圖5 識別結(jié)果輸出

4 結(jié)論

通過大量實(shí)驗(yàn)圖片效果及數(shù)據(jù)顯示，本文中設(shè)計(jì)的交通標(biāo)志識別系統(tǒng)在實(shí)時環(huán)境中有著高識別能力，即使拍攝的交通標(biāo)志角度傾斜，仍可以識別出來。此外，即使交通標(biāo)志部分被窗戶和燈柱等物體遮住，也可以被識別出來。因此，很清楚地展示了本文算法在實(shí)際環(huán)境中是有效的。

[1]許少秋.戶外交通標(biāo)志檢測和形狀識別[J].中國圖象圖形學(xué)報,2009,14(4):707～711.

[2]李祥熙,張航.交通標(biāo)志識別研究綜述[J].公路交通科技應(yīng)用技術(shù)版,2010,(6):253～257.

[3]李玲玲,李翠華,曾曉明,等.基于Harris-Affine和SIFT特征匹配的圖像自動配準(zhǔn)[J].華中科技大學(xué)學(xué)報(自然科學(xué)版),2008,36(8):13～16.

[4]J.Matas,O.Chum,M.Urban,et al.Robust wide-baseline stereo from maximally stable extremal regions. Proceedings of the British Machine Vision Conference,2002.384～393.

[5]巨西諾,孫繼銀.一種改進(jìn)的基于 MSER算法的不變量提取算法[J].貴州工業(yè)大學(xué)學(xué)報(自然科學(xué)版),2008,37(6):49～52.

[6]朱利成,姚明海.基于SIFT算法的目標(biāo)匹配和識別[J].機(jī)電工程,2009,26(4):73～75.

[7]陳信華.SIFT特征匹配在無人機(jī)低空遙感影像處理中的應(yīng)用.地礦測繪[J],2008,24(2):10～12.