摘 要： 随着机动车辆的日益增多，交通环境日益恶化，针对这种情况设计了一种基于SIFT算法的智能交通标志识别系统，不仅可以有效地辅助交通监管，而且能及时为驾驶员提供有效参考信息，避免违章事故的发生。利用SIFT算法构建仿射不变的特征子空间，并结合交通标志自身独特的颜色及形状特征，达到对交通标志的有效检测、识别和匹配，从而完成交通标志的智能识别。该系统不仅为交通执法部门装备一双智能化的慧眼，并且在一定程度上保障了驾驶员及乘客的人身安全。实验数据表明，本系统可以在复杂情况下高效、准确地识别出交通标志。

关键词： 交通标志；特征空间；智能识别；匹配

　　随着经济的快速发展，车辆日益增多，导致交通事故频发、交通执法困难等问题。如何保障交通安全成为各国争相研究的重点，各种新型智能交通系统也不断地被研究、应用。基于机器视觉的车辆导航技术在智能交通领域主要应用于道路识别、碰撞识别、交通标志识别三方面。目前对前两项的研究较多，且已广泛应用于交通监管各领域，而对交通标志识别研究相对较少。据统计，绝大部分交通事故都是由于驾驶者忽视交通标志而直接或间接导致的。如果有一套交通标志自动识别装置，则可以很大程度上杜绝该类事故的发生。本文设计了一种基于机器视觉的交通标志自动识别系统，通过对交通标志的检测、识别、匹配[1]，实现行车辅助功能，保障行车安全。

1 SIFT算法基本原理

　　SIFT算法由LOWE D G于1999年首次提出，该算法具有尺度不变性特征，能够确保图像在进行旋转、平移或是尺寸大小、光照条件等产生变化的情况下保持良好的不变性。该算子是目前较为流行的特征检测算子，被广泛地应用于图像特征匹配等众多研究领域。针对交通标志在拍摄识别过程中会受到各种变化因素影响的问题，本文采用SIFT图像匹配算法[2]，有效避免各种变化因素造成的误匹配，提高了识别的准确度。

　　SIFT图像匹配算法首先通过建立图像的尺度空间搜索该尺度空间中图像局部极值点，将所得极值点作为候选关键点，并将其中不稳定及对比度较低的点删除，从而最终确定关键点的主方向，进而生成每个关键点的特征描述符，最后采用特征描述符向量之间的欧氏距离度量两个特征点之间的匹配程度。SIFT图像匹配算法流程如图1所示。

　　1.1 特征点检测

　　特征点检测一般可以分为三步：（1）对所建立的图像尺度空间中的极值点进行检测；（2）对所检测的候补关键点进行筛选，剔除对比度低或是不稳定的边缘响应点，即关键点的精确定位；（3）确定关键点主方向的分配工作。

　　在对尺度空间极值点的检测过程中，需产生多尺度空间的核[3]，而高斯核则是唯一可以产生多尺度空间的核函数。用I(x，y)来表示一幅二维图像，则其尺度空间L(x，y，σ)可表示为：

　　其中，σ为该尺度空间的空间尺度因子；G(x，y，σ)为高斯核函数，其定义为：

　　为了有效地检测出尺度空间中的稳定关键点，还需使用高斯差分（DOG）算子近似尺度归一化的拉普拉斯 —高斯（LOG）算子：

　　其中，k为阈值。由此，将得到高斯金字塔，其分别通过降采样及高斯平滑而得到，进而再通过使用相邻尺度图像相减生成DOG金字塔后最终形成尺度空间。为确保在图像空间和尺度空间都检测到局部极值点，将每个采样点与尺度空间内的同尺度相邻点及上下相邻尺度中的8+9×2=26个点进行比较。

　　通过拟合三维二次函数、设置相关阈值来更为精确地确定关键点的尺度和位置以及去除那些对比度较低的关键点，从而提高匹配的稳定能力和抗噪能力。此外，还可以通过使用Hessian矩阵计算主曲率设定阈值的方法，以去除由DOG算子产生的较强边缘响应点集合中的不稳定元素。

　　关键点方向的分配。将关键点邻域像素的梯度方向分布作为每个关键点的指定方向信息，梯度值m(x，y)和方向θ(x，y)计算表达式为：

1.2 特征点描述

　　首先划分关键点周围区域，形成不同的分块图像；接着对所划分的各个分块内的梯度直方图进行计算，用最终得到的向量描述符来抽象表示该分块内图像的原本信息。

　1.3 特征点匹配

　　使用最近邻距离（NN）算法[4]对所生成的SIFT特征向量进行相关匹配，即当与样本特征点最邻近与次邻近特征点的欧氏距离之比小于所设定的阈值时，认为该对特征点匹配；否则认为不匹配。LOWE D G经过多次实验，将阈值设定为0.8。采用BBF对128维特征向量[4]进行相应处理，计算特征点之间的欧氏距离。

　　2 系统设计

　　系统设计如图2所示。系统首先通过交通标志最典型的颜色和形状特征[5]进行初分类，标识感兴趣区域，并将感兴趣区域通过圆形框标识、分割，系统在接下来的匹配中增加对感兴趣区域的关注，如匹配成功，将不再对其他非标示区域进行匹配处理。这样不仅简化了计算，而且提高了识别效率和实时性，贴近于现实环境，而非仅仅停留于研究层面。系统最终完成对图像中交通标识的识别并输出判定信息。

3 实验结果与分析

　　3.1 初分类

　　首先，利用颜色及形状特征[5]对图片进行初分，标识含有交通标志的感兴趣区域，得到仅含交通标志的特定区域。图3为实地拍摄的含有交通标志的图像，图4为标识出感兴趣区域的图像。

3.2 特征匹配

　　在初分基础上，利用SIFT算法对交通标志的关键点进行提取，将所提取的关键点特征与交通标志数据库中的各标志特征子空间进行匹配，最终得到并输出相应的匹配结果。图5、图6分别为图4中两个交通标志的特征匹配图。

　　为了检测本算法的效果，分别设计了4组测试实验。每组所涉及的含有交通标志的图像和交通标志被不同程度（共分10挡：10%、20%、30%、40%、50%、55%、60%、65%、70%、85%）地遮挡，遮挡形式如图7所示，总量各不相同，呈递增状。其中，每组实验中所选用的交通标志尽量不同，以达到涵盖各种情况的目的。实验的结果如表1所示。

　　实验结果表明，本系统在交通标志识别方面错误率低、兼容性好、冗余度低、遗漏程度较小，但在遮挡部分达到一定比例时会出现不同程度的误判。

　　本文所设计的基于SIFT算法的交通标志识别系统不论在正确率还是效率上都有了很大的提升，且在不同尺寸、角度及光照条件下识别力良好，使得本系统投入实际应用成为可能。但是，该系统对于交通标志大面积遮挡或多目标重叠情况识别力不足，需添加其他辅助识别手段加以完善。

参考文献

　　[1] ZITOUA B，Flusser J．Image registration methods：a survey[J]．Image and Vision Computing，2003，21：977-100．

　　[2]张炜，刘伟，普杰信．一种基于SIFT和区域选择的图像拼接方法[J]．微电子与计算机，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.