基于SIFT算法的交通标志识别_李新

《基于SIFT算法的交通标志识别_李新》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于SIFT算法的交通标志识别TrafficsignrecognitionbasedonSIFT12李新，禹翼12LIXin,YUYi（1.桂林理工大学信息科学与工程学院，桂林541004；2.桂林理工大学机械与控制工程学院，桂林541004）摘要：为了适应日益恶化的交通环境，本文提出了一种基于SIFT(ScaleInvariantFeatureTransform)算法的交通标志识别方法,利用SIFT算法构建仿射不变的特征子空间，通过基于HSI彩色模型的颜色特征检测以及基于几何特征的路标区域确定检测输入图像中是否存在交通标志,以及确定可能存在交通标志的感兴趣区域以及类

2、别;最后通过对检测出来的部分进行SIFT特征与特征子空间的交通标志描述符进行匹配,完成交通标志的识别。进行Matlab仿真实验表明,所设计的系统能在复杂环境中高效准确地进行交通标志的识别。关键词：交通标志；局部特征提取算法；识别中图分类号：TP183　文献标识码：A　文章编号：1009-0134(2012)03(上)-0010-03Doi:10.3969/j.issn.1009-0134.2012.3(上).040引言觉系统”，它们能自动认清道路和环境，避让障碍，甚至可以规划路径；在未来的汽车自动、半近半个世纪来，随着城市化的进展和汽车的自动驾驶系统中交通标志的自动

3、识别是其控制系普及，交通运输问题日益严重，交通阻塞、交通统的必要组件之一；在电子交通地图中，交通标事故频繁发生，交通环境不断恶化。尤其近十多志自动识别给车辆在交通图中的定位提供必要信年来，无论是发达国家还是发展中国家，都不同息；另外还可用于盲人出行辅助系统中。可见交程度地受到交通问题的困扰。如何保障公路交通通标志自动识别的研究具有广泛的意义。的安全和提高运输效率，各国将研究的重点从扩展路网规模逐步转移到集通信、检测、控制和计1SIFT算子算机技术与一体的智能交通系统的研究上来。基SIFT(ScaleInvariantFeatureTransformation)算于视

4、觉的车辆导航技术作为智能交通系统研究的法是由DavidLowe于1999年提出的基于图像局部一个重要的分支领域，在智能交通系统的应用中特征的算法，并在2004年进行了完善。SIFT算子有三个方面：l）道路识别；2）碰撞识别；3）交是一种具有尺度不变性算法，它对图像的尺度变通标志识别。前两方面研究较多，并取得许多好化、水平旋转、平移以及光照变化具有保持不变的结果，但在交通标志识别方面研究较少。由于的特性，同时对于图像经度与纬度倾斜变化以及交通标志被设计成特殊的颜色和形状以易于人眼噪声也具有一定的稳定性，是目前比较流行的特的识别，所以往往不受人们的重视并把它作为智征检测

5、算子。SIFT特征点检测算法己经被广泛应能化的技术来研究，但随着私家车的日益增多，用于很多领域。SIFT算法的主要步骤如图1所示。汽车已成为我们日常生活的一部分，有时因为天气原因能见度低，司机新手上路，打手机，被路边无处不在的广告干扰，疲劳驾驶甚至酒后驾驶等原因，忽视交通标志而引发的交通事故频繁发生。如果有一套自动交通标志识别装置作为辅助驾驶系统，适时地提醒司机前方的路况，帮助司机对车辆进行控制(如遇限速标志自动减速等)，就能够大大提高行车的安全性。交通标志自动识图1SIFT算法流程图别系统可以应用到许多领域，比如军用和民用无SIFT特征点的提取流程：人驾驶车辆研究

6、项目中，最重要的就是它的“视收稿日期：2011-10-08作者简介：李新（1973-），女，副教授，硕士，研究方向为图像处理与模式识别。【10】第34卷第3期2012-03(上)l）尺度空间的生成：同一幅图像在不同尺度其中，k为当前层，k-1为下一层，k+1为上一下的图像的有机集合为尺度空间，即给同一幅图层。像添加了一个新的坐标因子。建立尺度空间即建精确的极值位置Xmax是通过公式（4）为0求导立一幅图像尺度从大到小的尺度的若干幅图像的得出，如公式（6）所示：有机集合。经过Koenderink和Lindeberg高斯卷(6)积核是尺度空间的唯一线性核，通过高斯核平滑

7、图像，并进行采样。并建立高斯金字塔，在金字在特征点位置确定完的同时，还需删除已提塔中计算空间局部极值，将待检测的点与其所在取的低对比度特征点和一些不太稳定的边缘响应阶层的像素点进行比对，如果是极值，则认为是点，以增强匹配的稳定性和提高抗噪能力。SIFT候选点。针对去除低对比度的特征点方面，可以把公高斯函数如式（1）所示。其中，σ为高斯正式（6）代到公式（4）中，取前两项，得到公式态分布的方差：（7）：(1)(7)接着，由高斯函数与图像进通过公式（7）计算出，若行卷积后可以得到二维图像在不同尺度下的尺度，则保留该特征点，反之丢弃。空间，如式（2）所示。针对删除不稳