黄涵 刘宇轩 宁仪

摘 要：道路交通标志的自动识别技术在车辆自动驾驶领域至关重要，但是自然场景下，光线强弱、障碍物遮挡以及拍摄视角等干扰因素往往会给标识牌的正确识别带来挑战。针对禁令类交通标志，介绍了一种能准确识别标识牌的方法，通过HSV颜色特征定位标识牌具体位置后，利用SIFT算法进行特征相似度匹配，实现标识牌的快速分类。实验表明，SIFT算法特有的尺度不变特征可以有效提升路标的识别准确率和鲁棒性，在一定程度上为智能驾驶领域道路标识牌识别技术的发展提供理论依据。

关键词：颜色特征;SIFT算法;交通标志检测;特征匹配

0 引言

随着生活质量幸福指数的提升，人们对于日常出行的一个安全保障性和车辆的舒适性也有了一个很大的追求。于是汽车的配置在多方面都根据人们的需求变得更加智能化与人性化。交通标志的自动识别与检测，作为无人驾驶汽车和智能辅助驾驶系统的不可或缺的部分，但是自然场景下，光线强弱、障碍物遮挡以及拍摄视角等干扰因素往往會给标识牌的正确识别带来挑战。如果将智能化识别交通标志的技术加载到汽车的辅助驾驶系统、无人驾驶车辆当中去，就可以很好地辅助驾驶员驾驶车辆，能有效地降低交通事故的发生，提高安全性。

1 总体设计思路

本设计从交通标志图像预处理开始，后续展开对HSV颜色空间进行一个设计，从而引出基于颜色特征的图像分割定位处理，例如：低通滤波、腐蚀、膨胀。接着分析了相关图像特征，利用SIFT算法对交通标志进行特征对比，结合图像集进行匹配识别。本设计主要基于颜色特征和SIFT算法结合的禁令类交通标志识别与研究等核心内容去设计，完成图像的获取、图像分割、特征提取、标志识别，并通过 Matlab 仿真工具完成实验系统搭建，验证其工作状况。本次设计的总体流程图如下：

2 交通标识分割定位

交通标志图像预处理中的二值化图像是首先需要进行的一个步骤，此步骤非常必要关键。二值化图像需要将交通标志图像中的像素点全部灰度化处理，可以很好的处理图像因光线强度变化，受阴影影响所导致的问题。二值化交通标志图像不仅提高了图像的辨识清晰度，同时方便了后续数据处理、图像检测识别。二值化后的交通标志图象如图2所示。

HSV颜色空间采用多个基调组合去填充表达。其组合了色调、饱和度和明度三种基数，更能表达出图像的特征性。故基于颜色特征本设计采用HSV颜色空间进行对交通标志区域的定位。HSV颜色空间色彩阈值范围如表1所示。定位后的图像如图3所示。

光线强度变化、遮挡物遮挡的影响往往是图像检测识别最为困难的处理点，与之伴随的还有环境噪音的干扰影响。为了不使环境噪音给后续的图像检测识别造成一定的影响，专门作出了一种去除噪音影响的处理方法——低通滤波处理。通过低通滤波处理可以将图像处理过程中因噪声的存在而导致的干扰给减少，或者是去除。如果在图像处理中不将这些干扰因素去除掉，会影响到后续对交通标志的分割与定位。低通滤波、腐蚀、膨胀处理图像如图4所示。

图像处理之后将连通的标志区域进行填充，与面积阈值进行对比，从而保留输出图像，完成交通标志区域的定位。当系统成功完成交通标志图像分割以及定位操作后，加入Canny算子将交通标志图像边缘进行检测。经过系统计算操作后可以定位交通标志图像的边框，成功将交通标志分割定位开来。

3 基于SIFT算法的交通标识特征匹配识别

道路标识牌经分割、定位之后，往往由于相机分辨率、拍摄角度、距离远近等因素导致分割后路标图像尺寸大小不一。为方便后期特征提取和分类识别，按照经验值36×36像素标准化（尺寸归一化）处理。基于SIFT算法的道路标识别流程如图5所示。主要分为两步骤：

步骤1 建立全尺寸交通标志图像集的特征库

中国大约有54种禁令类交通标志。主要作用为禁止或限制车辆驾驶员以及行人，如禁止停放车辆、禁止左、右转弯、限速等，该图像特征库用于在中间阶段和后期阶段对整体目标图像进行分类和识别。

步骤2 整体目标图像配对识别

SIFT优化算法用于分割后获取实际场景中的标牌图像特征。获得目标图像的整体特征点集之后，并根据路标特征库进行特征点配对和统计分析，并输出最佳匹配识别结果。

4 仿真分析

基于颜色特征和SIFT算法结合的交通标志识别与研究等核心内容去设计，实现图像的采集、图像分割、特征提取、标志识别，并通过 Matlab 仿真工具完成实验系统搭建，验证其工作状况。下为交通标志图像分割效果图。

当基于颜色特征算法完成交通标志图像的分割定位之后，整个识别系统可以说是已经完成了百分之八十的工作量了。最后需要以基于SIFT算法为主相结合去进行最后的交通标志图像的匹配识别。需要将分割定位所得到的交通标志图像与我国标准交通标志图像进行特征匹配。匹配成功之后的结果利用GUI界面搭建一个信息框界面来输出识别结果。如图8所示。

5 小结

本文所设计的系统通过测试，其正确识别率达到90.16%，识别结果较为理想。在设计上还有一些细节没有考虑进去，如本文使用的是静态图像、不能自动分类标志牌。在应用到实车上时可能需要实时的采集系统，需要涉及视频帧的截取以及画面抖动和画质要求等问题。

参考文献：

[1]郭倩.基于特征提取的交通标志检测和识别[D].南京航空航天大学，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.

[3]倪佳.特征匹配中颜色特征和SIFT算法的研究[D].华东理工大学，2012.