李亚琼 聂冰花

摘要：针对SIFT特征点检测算法在进行交通标志识别过程中存在SIFT描述子生成复杂，维数较高，算法效率较低的问题，本文将主成分分析算法PCA与SIFT特征点检测算法结合起来进行交通标志的识别，利用PCA对高维数据进行线性变换获得数量较少的新数据，从而达到降维的效果，解决SIFT描述子维数较高的问题，大大减少特征匹配的时间。实验结果表明，基于PCA-SIFT 的特征描述子能有效降低特征空间维数，提高识别匹配速度，完成交通标志的有效分类，且计算简单，速度快，识别率高，具有更高的准确性和匹配速度。

关键词：SIFT；PCA；特征描述子；交通标志识别

随着社会进步和经济的发展，我国的公路交通行业得到了持续、快速地发展。高度发达的现代交通为人类的生活带来了便利，但同时交通安全、交通拥挤等问题也变得越来越严重。为了解决这些问题，智能交通系统（ITS）这一研究领域应运而生[1]。道路交通标志识别系统 （TSR）作为智能交通系统的主要研究方向，已成为国内外学者研究的热点之一。基于计算机视觉的交通标志识别是智能车辆的关键技术和难点之一，如何快速、准确地从自然场景图像中识别出交通标志，对于保证驾驶安全，避免交通事故具有重要意义[2]。

近年来，在计算机视觉领域，基于局部不变量描述符的方法在目标识别方面取得了显著的进展。在2004年，哥伦比亚大学的David G.Lowe提出了一种新的提取点特征的算法——SIFT（Scale Invariant Feature Transform）算法[3]，这种基于尺度空间的算子，具有对图像的平移、旋转变换、尺度缩放、亮度变化良好的不变性，同时对视觉变化、仿射变换以及噪声也保持一定程度的稳定性，是目前比较流行的特征检测算子。……