摘 要：道路交通標志的自動識別技術在車輛自動駕駛領域至關重要，但是自然場景下，光線強弱、障礙物遮擋以及拍攝視角等干擾因素往往會給標識牌的正確識別帶來挑戰。針對禁令類交通標志，介紹了一種能準確識別標識牌的方法，通過HSV顏色特征定位標識牌具體位置后，利用SIFT算法進行特征相似度匹配，實現標識牌的快速分類。實驗表明，SIFT算法特有的尺度不變特征可以有效提升路標的識別準確率和魯棒性，在一定程度上為智能駕駛領域道路標識牌識別技術的發展提供理論依據。

　　關鍵詞：顏色特征;SIFT算法;交通標志檢測;特征匹配

　　0 引言

　　隨著生活質量幸福指數的提升，人們對于日常出行的一個安全保障性和車輛的舒適性也有了一個很大的追求。于是汽車的配置在多方面都根據人們的需求變得更加智能化與人性化。交通標志的自動識別與檢測，作為無人駕駛汽車和智能輔助駕駛系統的不可或缺的部分，但是自然場景下，光線強弱、障礙物遮擋以及拍攝視角等干擾因素往往會給標識牌的正確識別帶來挑戰。如果將智能化識別交通標志的技術加載到汽車的輔助駕駛系統、無人駕駛車輛當中去，就可以很好地輔助駕駛員駕駛車輛，能有效地降低交通事故的發生，提高安全性。

　　1 總體設計思路

　　本設計從交通標志圖像預處理開始，后續展開對HSV顏色空間進行一個設計，從而引出基于顏色特征的圖像分割定位處理，例如：低通濾波、腐蝕、膨脹。接著分析了相關圖像特征，利用SIFT算法對交通標志進行特征對比，結合圖像集進行匹配識別。本設計主要基于顏色特征和SIFT算法結合的禁令類交通標志識別與研究等核心內容去設計，完成圖像的獲取、圖像分割、特征提取、標志識別，并通過 Matlab 仿真工具完成實驗系統搭建，驗證其工作狀況。本次設計的總體流程圖如下：

　　2 交通標識分割定位

　　交通標志圖像預處理中的二值化圖像是首先需要進行的一個步驟，此步驟非常必要關鍵。二值化圖像需要將交通標志圖像中的像素點全部灰度化處理，可以很好的處理圖像因光線強度變化，受陰影影響所導致的問題。二值化交通標志圖像不僅提高了圖像的辨識清晰度，同時方便了后續數據處理、圖像檢測識別。二值化后的交通標志圖象如圖2所示。

　　HSV顏色空間采用多個基調組合去填充表達。其組合了色調、飽和度和明度三種基數，更能表達出圖像的特征性。故基于顏色特征本設計采用HSV顏色空間進行對交通標志區域的定位。HSV顏色空間色彩閾值范圍如表1所示。定位后的圖像如圖3所示。

　　光線強度變化、遮擋物遮擋的影響往往是圖像檢測識別最為困難的處理點，與之伴隨的還有環境噪音的干擾影響。為了不使環境噪音給后續的圖像檢測識別造成一定的影響，專門作出了一種去除噪音影響的處理方法——低通濾波處理。通過低通濾波處理可以將圖像處理過程中因噪聲的存在而導致的干擾給減少，或者是去除。如果在圖像處理中不將這些干擾因素去除掉，會影響到后續對交通標志的分割與定位。低通濾波、腐蝕、膨脹處理圖像如圖4所示。

　　圖像處理之后將連通的標志區域進行填充，與面積閾值進行對比，從而保留輸出圖像，完成交通標志區域的定位。當系統成功完成交通標志圖像分割以及定位操作后，加入Canny算子將交通標志圖像邊緣進行檢測。經過系統計算操作后可以定位交通標志圖像的邊框，成功將交通標志分割定位開來。

　　3 基于SIFT算法的交通標識特征匹配識別

　　道路標識牌經分割、定位之后，往往由于相機分辨率、拍攝角度、距離遠近等因素導致分割后路標圖像尺寸大小不一。為方便后期特征提取和分類識別，按照經驗值36×36像素標準化(尺寸歸一化)處理。基于SIFT算法的道路標識別流程如圖5所示。主要分為兩步驟：

　　步驟1 建立全尺寸交通標志圖像集的特征庫

　　中國大約有54種禁令類交通標志。主要作用為禁止或限制車輛駕駛員以及行人，如禁止停放車輛、禁止左、右轉彎、限速等，該圖像特征庫用于在中間階段和后期階段對整體目標圖像進行分類和識別。

　　步驟2 整體目標圖像配對識別

　　SIFT優化算法用于分割后獲取實際場景中的標牌圖像特征。獲得目標圖像的整體特征點集之后，并根據路標特征庫進行特征點配對和統計分析，并輸出最佳匹配識別結果。

　　4 仿真分析

　　基于顏色特征和SIFT算法結合的交通標志識別與研究等核心內容去設計，實現圖像的采集、圖像分割、特征提取、標志識別，并通過 Matlab 仿真工具完成實驗系統搭建，驗證其工作狀況。下為交通標志圖像分割效果圖。

　　當基于顏色特征算法完成交通標志圖像的分割定位之后，整個識別系統可以說是已經完成了百分之八十的工作量了。最后需要以基于SIFT算法為主相結合去進行最后的交通標志圖像的匹配識別。需要將分割定位所得到的交通標志圖像與我國標準交通標志圖像進行特征匹配。匹配成功之后的結果利用GUI界面搭建一個信息框界面來輸出識別結果。如圖8所示。

　　5 小結

　　本文所設計的系統通過測試，其正確識別率達到90.16%，識別結果較為理想。在設計上還有一些細節沒有考慮進去，如本文使用的是靜態圖像、不能自動分類標志牌。在應用到實車上時可能需要實時的采集系統，需要涉及視頻幀的截取以及畫面抖動和畫質要求等問題。

　　參考文獻：

　　[1]郭倩.基于特征提取的交通標志檢測和識別[D].南京航空航天大學，2016.

　　[2]Razmi S M，Saad N，and Asirvadam V S.Vision-based flame analysis using motion and edge detection[C].ICIAS，2010：1-4.

　　推薦閱讀：汽車駕駛技師怎么發表論文