李亞瓊 聶冰花

摘要：針對SIFT特征點檢測算法在進行交通標志識別過程中存在SIFT描述子生成復雜，維數(shù)較高，算法效率較低的問題，本文將主成分分析算法PCA與SIFT特征點檢測算法結合起來進行交通標志的識別，利用PCA對高維數(shù)據(jù)進行線性變換獲得數(shù)量較少的新數(shù)據(jù)，從而達到降維的效果，解決SIFT描述子維數(shù)較高的問題，大大減少特征匹配的時間。實驗結果表明，基于PCA-SIFT 的特征描述子能有效降低特征空間維數(shù)，提高識別匹配速度，完成交通標志的有效分類，且計算簡單，速度快，識別率高，具有更高的準確性和匹配速度。

關鍵詞：SIFT；PCA；特征描述子；交通標志識別

隨著社會進步和經(jīng)濟的發(fā)展，我國的公路交通行業(yè)得到了持續(xù)、快速地發(fā)展。高度發(fā)達的現(xiàn)代交通為人類的生活帶來了便利，但同時交通安全、交通擁擠等問題也變得越來越嚴重。為了解決這些問題，智能交通系統(tǒng)（ITS）這一研究領域應運而生[1]。道路交通標志識別系統(tǒng) （TSR）作為智能交通系統(tǒng)的主要研究方向，已成為國內外學者研究的熱點之一。基于計算機視覺的交通標志識別是智能車輛的關鍵技術和難點之一，如何快速、準確地從自然場景圖像中識別出交通標志，對于保證駕駛安全，避免交通事故具有重要意義[2]。

近年來，在計算機視覺領域，基于局部不變量描述符的方法在目標識別方面取得了顯著的進展。在2004年，哥倫比亞大學的David G.Lowe提出了一種新的提取點特征的算法——SIFT（Scale Invariant Feature Transform）算法[3]，這種基于尺度空間的算子，具有對圖像的平移、旋轉變換、尺度縮放、亮度變化良好的不變性，同時對視覺變化、仿射變換以及噪聲也保持一定程度的穩(wěn)定性，是目前比較流行的特征檢測算子。SIFT特征點檢測算法己經(jīng)被廣泛應用于很多領域，但是由于圖像數(shù)據(jù)量一般較大，并且SIFT描述子的生成本身較為復雜，維數(shù)較高，直接加以應用算法效率較低[4]。

交通標志圖像包含大量彼此相關因素，從而會造成特征的重復和浪費，增加識別的復雜度。特征提取是一種有效的特征降維方法，在模式識別、圖像處理和計算機視覺中得到了成功的運用。主成分分析法 （Principal Component Analysis，簡稱PCA）作為一種特征提取的經(jīng)典方法[5]，是一種常用的數(shù)學分析方法，它通過對高維數(shù)據(jù)進行線性變換獲得數(shù)量較少的新數(shù)據(jù)，并且這些新數(shù)據(jù)能夠充分描述原數(shù)據(jù)的特征，即這些變量在描述數(shù)據(jù)特征方面是比較重要的“主分量”，因此主成分分析又被稱作主分量分析。PCA方法的基本思想是在原始數(shù)據(jù)空間中尋找主要特征，由于主要特征消除了原數(shù)據(jù)之間的冗余性，其數(shù)量遠小于初始數(shù)據(jù)量，使得數(shù)據(jù)可以在較低的維數(shù)空間被處理。圖像經(jīng)PCA處理后得到的特征在一般情況下是最佳描述特征，所以PCA方法在特征提取方面應用廣泛，目前已經(jīng)應用于圖像處理、信號處理和模式識別等多個領域。然而PCA方法首先要將圖像矩陣轉換成行向量，這就導致了圖像向量的維數(shù)相當高，從而增加了計算的復雜度，使得后續(xù)的線性辨別分析耗費大量的時間。因此，PCA的主要缺點是需要很大的存儲空間和計算復雜度[6]。

針對上述問題，本文將SIFT算法與PCA算法結合起來，應用到交通標志的識別過程中。充分利用PCA方法對原始變量進行變換后提取少數(shù)新變量，新變量之間互不相關，并且盡可能多的保留了原數(shù)據(jù)的所有信息。通過原始數(shù)據(jù)的方差找到一組向量，將原始數(shù)據(jù)向該向量投影以降低數(shù)據(jù)的維數(shù)，并且保存了數(shù)據(jù)的主要信息的特點，從而解決SIFT描述子維數(shù)較高的問題，大大減少特征匹配的時間[7]，實驗結果表明，基于PCA-SIFT 的特征描述子能有效降低特征空間維數(shù)，提高識別匹配速度，完成交通標志的有效分類，且計算簡單，速度快，識別率高，具有更高的準確性和匹配速度。

1 SIFT算法介紹

SIFT算法可以在不同的空間和圖像區(qū)域中檢測到大量的特征點，用于圖像的匹配，其匹配算法包括兩個階段，分別為從待匹配圖像中提取出對尺度縮放、旋轉、亮度變化無關的SIFT特征向量和SIFT特征向量的匹配[8]。具體步驟如下所述：

Step1：尺度空間的構建及極值點檢測：建立尺度空間即建立一幅圖像尺度從大到小的若干幅圖像的有機集合。在圖像二維平面空間和尺度空間同時尋找局部極值點以實現(xiàn)尺度不變性。Koenderink[9]和Lindber[10]指出，在一系列合理的假設下，高斯函數(shù)是尺度空間核函數(shù)中唯一的線性核。

Step4：計算特征點的特征描述子：把每個特征點附近的的窗口切成的子窗口，首先將每一個像素的梯度方向旋轉為特征點的主方向，以確保旋轉不變性；然后利用高斯平滑濾波為每一個方向做加權，再在每一個子窗口中計算它的方向直方圖。這樣，每個特征點都可以得到一個128維的特征向量。最后對得到的特征向量進行歸一化處理，以減少光照變化產生的影響。梯度方向直方圖反映了圖像的結構信息，由于經(jīng)過歸一化后可以去除光照的影響，而梯度的計算本身與光照無關，所以特征向量對光照的仿射變換是不變的[11]。

2 基于PCA-SIFT算法的交通標志識別

雖然SIFT算子在目標識別領域已達到良好的效果，但是在大規(guī)模的數(shù)據(jù)存儲和計算中，由于其維數(shù)過高導致計算量過大，耗時太長。因此，本文采用一種基于PCA-SIFT算法的交通標志識別方法，該算法利用PCA對圖像進行降維處理，通過計算主成分將高維數(shù)據(jù)投影到較低維的空間，并且改變了描述子的生成方式。其主要步驟如下：

Step1： 計算或者載入投影矩陣

選擇一系列具有代表性的訓練樣本，提取訓練樣本圖像的特征點，i為特征點的個數(shù)，在每一個特征點區(qū)域劃定一個大小為40×40像素的區(qū)域塊。

計算40×40區(qū)域的水平和垂直方向的梯度。形成一個大小為40×40×2=3200的矢量，然后將該矢量放入i×3200大小的矩陣R中。

將特征值從大到小排列，選擇最大的前j個特征值對應的特征向量作為主成分方向，并由這些向量組成j×3200的投影矩陣A；j確定了生成PCA-SIFT描述子的維數(shù)，可以根據(jù)計算出的特征值來設定，也可以根據(jù)經(jīng)驗設定一個值。投影矩陣只計算一次，并且儲存。

Step2：檢測特征點：如第2節(jié)所述。

Step3：PCA- SIFT描述子的生成。

對于測試圖像的每一個特征點，輸入其位置與方向信息，在同尺度提取一個40×40的區(qū)域塊并旋轉至由梯度直方圖得到的特征點的主方向。

計算40×40區(qū)域水平和垂直方向的梯度；形成大小為3200的矢量；并將之前構建的投影矩陣A與此矢量相乘，生成一個維數(shù)為j的PCA-SIFT描述子。

此外，PCA-SIFT與SIFT算子具有相同的尺度、主方向和亞像素位置，但是在生成描述子的時候，它利用特征點鄰域40×40的區(qū)域塊提取主成分，并由提取的主成分來確定最后生成的PCA-SIFT算子的維數(shù)，從而達到更精確的表示方法。當然在進行交通標志識別之前，首先要對交通標志圖像進行一些必要的預處理，比如對齊正規(guī)化、直方圖均衡等，為了增加匹配的穩(wěn)定性，要對獲取的各個興趣點的特征向量進行歸一化處理，以便對光照和形變有更強的適應性。對于一些不怎么清晰的交通標志圖像，可能提取到的特征數(shù)相對較少，這時為了提取到足夠多的特征點數(shù)，可以將圖像尺度再擴大一倍，以增加特征點數(shù)。

3 實驗結果與分析

為了驗證本文所采用的SIFT-PCA算法在圖像扭曲形變、旋轉、光照變化等情況下的匹配效果，并確定算法應用到交通標志識別過程中的可行性和有效性，進行如下對比實驗。

實驗一：選取在不同光照環(huán)境下的同一個交通標志如圖1中（a）、（b）所示，并對（a）、（b）進行旋轉變形如圖1中（c）、（d）所示。本算法的實驗平臺是在matlab2010a環(huán)境下實現(xiàn)對交通標志的識別，識別效果如圖1所示。

實驗二：選取在不同環(huán)境下不同的交通標志如圖2 （a）、（b）、 （c）、（d）所示，進行交通標志識別，識別結果如圖2所示。

實驗三：為了有效說明本文基于PCA-SIFT算法的交通標志識別方法的優(yōu)越性，選取PCA算法、SIFT算法和本文算法的耗時時間和識別率作為客觀評價指標進行對比試驗，實驗結果如表1和表2所示。

綜合以上客觀與主觀評價可以得到以下結論：

（1）從圖1和圖2可以看出，本文所采用的基于PCA-SIFT算法的交通標志識別方法在交通標志識別過程中，對同一交通標志在不同環(huán)境下的旋轉變形、光照變化等具有良好的不變性和較高的匹配率，說明此方法可以應用到不同環(huán)境、不同場景下的交通標志識別中，是一種魯棒性較強的識別方法。

（2）從表1可以看出，雖然在特征描述子生成階段，PCA-SIFT算法的描述子生成時間要略長于SIFT算法；但是在匹配階段，PCA-SIFT算法的算子匹配時間要比SIFT算法快很多，SIFT算法的描述子生成和匹配的總耗時為3.79秒，而PCA-SIFT算法的總耗時為2.22秒，因此充分說明了本設計算法在進行交通標志識別的過程中總時間要快于SIFT算法，其實時性較強，更加符合實際需要。

（3）從表2可以看出， PCA-SIFT算法在進行交通標志的識別過程中，其具有較高的識別率，識別正確率為95.6%；而SIFT算法的識別率較低，則為93.1%；PCA算法的識別率最低，為85.5%，因此，從識別率這一客觀指標來看，本文方法的識別正確率要高于其他兩種方法，是一種更加有效的交通標志識別方法。

綜上所述，無論從主觀視覺效果還是客觀評價指標都可以得出相同的結論：在交通標志識別的應用中，本文方法明顯優(yōu)于PCA和SIFT兩種算法，不僅提高了正確識別率，節(jié)省了識別時間，而且在交通標志的識別過程中表現(xiàn)出較強的識別魯棒性。

4 結語

本文針對SIFT特征點檢測算法在進行交通標志識別過程中存在SIFT描述子生成復雜，維數(shù)較高，算法效率較低的問題，采用了一種將PCA算法與SIFT特征點檢測算法相結合的方法進行交通標志識別，以期利用PCA算法對特征點實現(xiàn)降維的效果，解決SIFT描述子維數(shù)較高的問題。大大減少特征匹配的時間。實驗結果表明：無論是主觀還是客觀衡量指標兩個方面，本文方法較之PCA和SIFT兩種算法都有一定的改進效果，提高了交通標志識別的正確率，節(jié)省了匹配時間和識別時間，提高了系統(tǒng)的魯棒性，是一種比較有效的交通標志識別算法。

參考文獻 ：

[1] 李祥熙，張航.交通標志識別研究綜述[J].公路交通科技應用技術版，2010，（6）：253-257.

[2] 劉紅.自然場景下交通標志識別研究[D].河南：鄭州大學， 2011.

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

[4] 朱利成，姚明海.基于SIFT算法的目標匹配和識別[J].機電工程， 2009，26（4）：73-75.

[5] BAJORSKI P. Statistical inference in PCA for hyperpectral images[J].IEEE Journal of Selected Topics in Signal Processing， 2011，5（3）： 438-435.

[6] 張潘潘.道路交通標志檢測與識別算法的研究[D].山東：山東大學， 2012.

[7] Yan Ke，Sukthankar R. PCA-SIFT：A More Distinctive Repres- entation for Local Image Descriptors[C]//2004 IEEE Computer Society Conference on Computer Vision and Pattern Recogni- tion，Washington：IEEE Computer Society，2004：506- 513.

[8] 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[J].華中科技大學學報（自然科學版），2008，36（8）：13-16.

[9] Koenderink J J. The structure of images[J]. Biological Cyberne- tics， 1984， 50（5）：363-370.

[10] Tony Lindeberg. Scale-space theory： A basic tool for analysing structures at different scales[J]. Journal of Applied Statistics，1994， 21（2）：225-270.

[11] 霍春雷，周志鑫，劉青山，等.基于SIFT特征和廣義緊互對原型對距離的遙感圖像配準方法[J].遙感技術與應用，2007，22（4）：524-530.

（作者單位：國家知識產權局專利局專利審查協(xié)作河南中心）

注：李亞瓊和聶冰花為本文做出同等貢獻，為共同第一作者、（姓名右上角標1是表示等同第一作者）