基于PCA—SFIT算法的交通標(biāo)志識(shí)別

李亞瓊 聶冰花

摘要：針對SIFT特征點(diǎn)檢測算法在進(jìn)行交通標(biāo)志識(shí)別過程中存在SIFT描述子生成復(fù)雜，維數(shù)較高，算法效率較低的問題，本文將主成分分析算法PCA與SIFT特征點(diǎn)檢測算法結(jié)合起來進(jìn)行交通標(biāo)志的識(shí)別，利用PCA對高維數(shù)據(jù)進(jìn)行線性變換獲得數(shù)量較少的新數(shù)據(jù)，從而達(dá)到降維的效果，解決SIFT描述子維數(shù)較高的問題，大大減少特征匹配的時(shí)間。實(shí)驗(yàn)結(jié)果表明，基于PCA-SIFT 的特征描述子能有效降低特征空間維數(shù)，提高識(shí)別匹配速度，完成交通標(biāo)志的有效分類，且計(jì)算簡單，速度快，識(shí)別率高，具有更高的準(zhǔn)確性和匹配速度。

關(guān)鍵詞：SIFT；PCA；特征描述子；交通標(biāo)志識(shí)別

隨著社會(huì)進(jìn)步和經(jīng)濟(jì)的發(fā)展，我國的公路交通行業(yè)得到了持續(xù)、快速地發(fā)展。高度發(fā)達(dá)的現(xiàn)代交通為人類的生活帶來了便利，但同時(shí)交通安全、交通擁擠等問題也變得越來越嚴(yán)重。為了解決這些問題，智能交通系統(tǒng)（ITS）這一研究領(lǐng)域應(yīng)運(yùn)而生[1]。道路交通標(biāo)志識(shí)別系統(tǒng) （TSR）作為智能交通系統(tǒng)的主要研究方向，已成為國內(nèi)外學(xué)者研究的熱點(diǎn)之一。基于計(jì)算機(jī)視覺的交通標(biāo)志識(shí)別是智能車輛的關(guān)鍵技術(shù)和難點(diǎn)之一，如何快速、準(zhǔn)確地從自然場景圖像中識(shí)別出交通標(biāo)志，對于保證駕駛安全，避免交通事故具有重要意義[2]。

近年來，在計(jì)算機(jī)視覺領(lǐng)域，基于局部不變量描述符的方法在目標(biāo)識(shí)別方面取得了顯著的進(jìn)展。在2004年，哥倫比亞大學(xué)的David G.Lowe提出了一種新的提取點(diǎn)特征的算法——SIFT（Scale Invariant Feature Transform）算法[3]，這種基于尺度空間的算子，具有對圖像的平移、旋轉(zhuǎn)變換、尺度縮放、亮度變化良好的不變性，同時(shí)對視覺變化、仿射變換以及噪聲也保持一定程度的穩(wěn)定性，是目前比較流行的特征檢測算子。SIFT特征點(diǎn)檢測算法己經(jīng)被廣泛應(yīng)用于很多領(lǐng)域，但是由于圖像數(shù)據(jù)量一般較大，并且SIFT描述子的生成本身較為復(fù)雜，維數(shù)較高，直接加以應(yīng)用算法效率較低[4]。

交通標(biāo)志圖像包含大量彼此相關(guān)因素，從而會(huì)造成特征的重復(fù)和浪費(fèi)，增加識(shí)別的復(fù)雜度。特征提取是一種有效的特征降維方法，在模式識(shí)別、圖像處理和計(jì)算機(jī)視覺中得到了成功的運(yùn)用。主成分分析法 （Principal Component Analysis，簡稱PCA）作為一種特征提取的經(jīng)典方法[5]，是一種常用的數(shù)學(xué)分析方法，它通過對高維數(shù)據(jù)進(jìn)行線性變換獲得數(shù)量較少的新數(shù)據(jù)，并且這些新數(shù)據(jù)能夠充分描述原數(shù)據(jù)的特征，即這些變量在描述數(shù)據(jù)特征方面是比較重要的“主分量”，因此主成分分析又被稱作主分量分析。PCA方法的基本思想是在原始數(shù)據(jù)空間中尋找主要特征，由于主要特征消除了原數(shù)據(jù)之間的冗余性，其數(shù)量遠(yuǎn)小于初始數(shù)據(jù)量，使得數(shù)據(jù)可以在較低的維數(shù)空間被處理。圖像經(jīng)PCA處理后得到的特征在一般情況下是最佳描述特征，所以PCA方法在特征提取方面應(yīng)用廣泛，目前已經(jīng)應(yīng)用于圖像處理、信號(hào)處理和模式識(shí)別等多個(gè)領(lǐng)域。然而PCA方法首先要將圖像矩陣轉(zhuǎn)換成行向量，這就導(dǎo)致了圖像向量的維數(shù)相當(dāng)高，從而增加了計(jì)算的復(fù)雜度，使得后續(xù)的線性辨別分析耗費(fèi)大量的時(shí)間。因此，PCA的主要缺點(diǎn)是需要很大的存儲(chǔ)空間和計(jì)算復(fù)雜度[6]。

針對上述問題，本文將SIFT算法與PCA算法結(jié)合起來，應(yīng)用到交通標(biāo)志的識(shí)別過程中。充分利用PCA方法對原始變量進(jìn)行變換后提取少數(shù)新變量，新變量之間互不相關(guān)，并且盡可能多的保留了原數(shù)據(jù)的所有信息。通過原始數(shù)據(jù)的方差找到一組向量，將原始數(shù)據(jù)向該向量投影以降低數(shù)據(jù)的維數(shù)，并且保存了數(shù)據(jù)的主要信息的特點(diǎn)，從而解決SIFT描述子維數(shù)較高的問題，大大減少特征匹配的時(shí)間[7]，實(shí)驗(yàn)結(jié)果表明，基于PCA-SIFT 的特征描述子能有效降低特征空間維數(shù)，提高識(shí)別匹配速度，完成交通標(biāo)志的有效分類，且計(jì)算簡單，速度快，識(shí)別率高，具有更高的準(zhǔn)確性和匹配速度。

1 SIFT算法介紹

SIFT算法可以在不同的空間和圖像區(qū)域中檢測到大量的特征點(diǎn)，用于圖像的匹配，其匹配算法包括兩個(gè)階段，分別為從待匹配圖像中提取出對尺度縮放、旋轉(zhuǎn)、亮度變化無關(guān)的SIFT特征向量和SIFT特征向量的匹配[8]。具體步驟如下所述：

Step1：尺度空間的構(gòu)建及極值點(diǎn)檢測：建立尺度空間即建立一幅圖像尺度從大到小的若干幅圖像的有機(jī)集合。在圖像二維平面空間和尺度空間同時(shí)尋找局部極值點(diǎn)以實(shí)現(xiàn)尺度不變性。Koenderink[9]和Lindber[10]指出，在一系列合理的假設(shè)下，高斯函數(shù)是尺度空間核函數(shù)中唯一的線性核。

Step4：計(jì)算特征點(diǎn)的特征描述子：把每個(gè)特征點(diǎn)附近的的窗口切成的子窗口，首先將每一個(gè)像素的梯度方向旋轉(zhuǎn)為特征點(diǎn)的主方向，以確保旋轉(zhuǎn)不變性；然后利用高斯平滑濾波為每一個(gè)方向做加權(quán)，再在每一個(gè)子窗口中計(jì)算它的方向直方圖。這樣，每個(gè)特征點(diǎn)都可以得到一個(gè)128維的特征向量。最后對得到的特征向量進(jìn)行歸一化處理，以減少光照變化產(chǎn)生的影響。梯度方向直方圖反映了圖像的結(jié)構(gòu)信息，由于經(jīng)過歸一化后可以去除光照的影響，而梯度的計(jì)算本身與光照無關(guān)，所以特征向量對光照的仿射變換是不變的[11]。

2 基于PCA-SIFT算法的交通標(biāo)志識(shí)別

雖然SIFT算子在目標(biāo)識(shí)別領(lǐng)域已達(dá)到良好的效果，但是在大規(guī)模的數(shù)據(jù)存儲(chǔ)和計(jì)算中，由于其維數(shù)過高導(dǎo)致計(jì)算量過大，耗時(shí)太長。因此，本文采用一種基于PCA-SIFT算法的交通標(biāo)志識(shí)別方法，該算法利用PCA對圖像進(jìn)行降維處理，通過計(jì)算主成分將高維數(shù)據(jù)投影到較低維的空間，并且改變了描述子的生成方式。其主要步驟如下：

Step1： 計(jì)算或者載入投影矩陣

選擇一系列具有代表性的訓(xùn)練樣本，提取訓(xùn)練樣本圖像的特征點(diǎn)，i為特征點(diǎn)的個(gè)數(shù)，在每一個(gè)特征點(diǎn)區(qū)域劃定一個(gè)大小為40×40像素的區(qū)域塊。

計(jì)算40×40區(qū)域的水平和垂直方向的梯度。形成一個(gè)大小為40×40×2=3200的矢量，然后將該矢量放入i×3200大小的矩陣R中。

將特征值從大到小排列，選擇最大的前j個(gè)特征值對應(yīng)的特征向量作為主成分方向，并由這些向量組成j×3200的投影矩陣A；j確定了生成PCA-SIFT描述子的維數(shù)，可以根據(jù)計(jì)算出的特征值來設(shè)定，也可以根據(jù)經(jīng)驗(yàn)設(shè)定一個(gè)值。投影矩陣只計(jì)算一次，并且儲(chǔ)存。

Step2：檢測特征點(diǎn)：如第2節(jié)所述。

Step3：PCA- SIFT描述子的生成。

對于測試圖像的每一個(gè)特征點(diǎn)，輸入其位置與方向信息，在同尺度提取一個(gè)40×40的區(qū)域塊并旋轉(zhuǎn)至由梯度直方圖得到的特征點(diǎn)的主方向。

計(jì)算40×40區(qū)域水平和垂直方向的梯度；形成大小為3200的矢量；并將之前構(gòu)建的投影矩陣A與此矢量相乘，生成一個(gè)維數(shù)為j的PCA-SIFT描述子。

此外，PCA-SIFT與SIFT算子具有相同的尺度、主方向和亞像素位置，但是在生成描述子的時(shí)候，它利用特征點(diǎn)鄰域40×40的區(qū)域塊提取主成分，并由提取的主成分來確定最后生成的PCA-SIFT算子的維數(shù)，從而達(dá)到更精確的表示方法。當(dāng)然在進(jìn)行交通標(biāo)志識(shí)別之前，首先要對交通標(biāo)志圖像進(jìn)行一些必要的預(yù)處理，比如對齊正規(guī)化、直方圖均衡等，為了增加匹配的穩(wěn)定性，要對獲取的各個(gè)興趣點(diǎn)的特征向量進(jìn)行歸一化處理，以便對光照和形變有更強(qiáng)的適應(yīng)性。對于一些不怎么清晰的交通標(biāo)志圖像，可能提取到的特征數(shù)相對較少，這時(shí)為了提取到足夠多的特征點(diǎn)數(shù)，可以將圖像尺度再擴(kuò)大一倍，以增加特征點(diǎn)數(shù)。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文所采用的SIFT-PCA算法在圖像扭曲形變、旋轉(zhuǎn)、光照變化等情況下的匹配效果，并確定算法應(yīng)用到交通標(biāo)志識(shí)別過程中的可行性和有效性，進(jìn)行如下對比實(shí)驗(yàn)。

實(shí)驗(yàn)一：選取在不同光照環(huán)境下的同一個(gè)交通標(biāo)志如圖1中（a）、（b）所示，并對（a）、（b）進(jìn)行旋轉(zhuǎn)變形如圖1中（c）、（d）所示。本算法的實(shí)驗(yàn)平臺(tái)是在matlab2010a環(huán)境下實(shí)現(xiàn)對交通標(biāo)志的識(shí)別，識(shí)別效果如圖1所示。

實(shí)驗(yàn)二：選取在不同環(huán)境下不同的交通標(biāo)志如圖2 （a）、（b）、 （c）、（d）所示，進(jìn)行交通標(biāo)志識(shí)別，識(shí)別結(jié)果如圖2所示。

實(shí)驗(yàn)三：為了有效說明本文基于PCA-SIFT算法的交通標(biāo)志識(shí)別方法的優(yōu)越性，選取PCA算法、SIFT算法和本文算法的耗時(shí)時(shí)間和識(shí)別率作為客觀評(píng)價(jià)指標(biāo)進(jìn)行對比試驗(yàn)，實(shí)驗(yàn)結(jié)果如表1和表2所示。

綜合以上客觀與主觀評(píng)價(jià)可以得到以下結(jié)論：

（1）從圖1和圖2可以看出，本文所采用的基于PCA-SIFT算法的交通標(biāo)志識(shí)別方法在交通標(biāo)志識(shí)別過程中，對同一交通標(biāo)志在不同環(huán)境下的旋轉(zhuǎn)變形、光照變化等具有良好的不變性和較高的匹配率，說明此方法可以應(yīng)用到不同環(huán)境、不同場景下的交通標(biāo)志識(shí)別中，是一種魯棒性較強(qiáng)的識(shí)別方法。

（2）從表1可以看出，雖然在特征描述子生成階段，PCA-SIFT算法的描述子生成時(shí)間要略長于SIFT算法；但是在匹配階段，PCA-SIFT算法的算子匹配時(shí)間要比SIFT算法快很多，SIFT算法的描述子生成和匹配的總耗時(shí)為3.79秒，而PCA-SIFT算法的總耗時(shí)為2.22秒，因此充分說明了本設(shè)計(jì)算法在進(jìn)行交通標(biāo)志識(shí)別的過程中總時(shí)間要快于SIFT算法，其實(shí)時(shí)性較強(qiáng)，更加符合實(shí)際需要。

（3）從表2可以看出， PCA-SIFT算法在進(jìn)行交通標(biāo)志的識(shí)別過程中，其具有較高的識(shí)別率，識(shí)別正確率為95.6%；而SIFT算法的識(shí)別率較低，則為93.1%；PCA算法的識(shí)別率最低，為85.5%，因此，從識(shí)別率這一客觀指標(biāo)來看，本文方法的識(shí)別正確率要高于其他兩種方法，是一種更加有效的交通標(biāo)志識(shí)別方法。

綜上所述，無論從主觀視覺效果還是客觀評(píng)價(jià)指標(biāo)都可以得出相同的結(jié)論：在交通標(biāo)志識(shí)別的應(yīng)用中，本文方法明顯優(yōu)于PCA和SIFT兩種算法，不僅提高了正確識(shí)別率，節(jié)省了識(shí)別時(shí)間，而且在交通標(biāo)志的識(shí)別過程中表現(xiàn)出較強(qiáng)的識(shí)別魯棒性。

4 結(jié)語

本文針對SIFT特征點(diǎn)檢測算法在進(jìn)行交通標(biāo)志識(shí)別過程中存在SIFT描述子生成復(fù)雜，維數(shù)較高，算法效率較低的問題，采用了一種將PCA算法與SIFT特征點(diǎn)檢測算法相結(jié)合的方法進(jìn)行交通標(biāo)志識(shí)別，以期利用PCA算法對特征點(diǎn)實(shí)現(xiàn)降維的效果，解決SIFT描述子維數(shù)較高的問題。大大減少特征匹配的時(shí)間。實(shí)驗(yàn)結(jié)果表明：無論是主觀還是客觀衡量指標(biāo)兩個(gè)方面，本文方法較之PCA和SIFT兩種算法都有一定的改進(jìn)效果，提高了交通標(biāo)志識(shí)別的正確率，節(jié)省了匹配時(shí)間和識(shí)別時(shí)間，提高了系統(tǒng)的魯棒性，是一種比較有效的交通標(biāo)志識(shí)別算法。

參考文獻(xiàn) ：

[1] 李祥熙，張航.交通標(biāo)志識(shí)別研究綜述[J].公路交通科技應(yīng)用技術(shù)版，2010，（6）：253-257.

[2] 劉紅.自然場景下交通標(biāo)志識(shí)別研究[D].河南：鄭州大學(xué)， 2011.

[3] Lowe D G.Distinctive image features from scale-invariant key points[J].International Journal of Computer Vision，2004，60（2）： 91-110.

[4] 朱利成，姚明海.基于SIFT算法的目標(biāo)匹配和識(shí)別[J].機(jī)電工程， 2009，26（4）：73-75.

[5] BAJORSKI P. Statistical inference in PCA for hyperpectral images[J].IEEE Journal of Selected Topics in Signal Processing， 2011，5（3）： 438-435.

[6] 張潘潘.道路交通標(biāo)志檢測與識(shí)別算法的研究[D].山東：山東大學(xué)， 2012.

[7] Yan Ke，Sukthankar R. PCA-SIFT：A More Distinctive Repres- entation for Local Image Descriptors[C]//2004 IEEE Computer Society Conference on Computer Vision and Pattern Recogni- tion，Washington：IEEE Computer Society，2004：506- 513.

[8] 李玲玲，李翠華，曾曉明，等.基于Harris-Affine和SIFT特征匹配的圖像自動(dòng)配準(zhǔn)[J].華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2008，36（8）：13-16.

[9] Koenderink J J. The structure of images[J]. Biological Cyberne- tics， 1984， 50（5）：363-370.

[10] Tony Lindeberg. Scale-space theory： A basic tool for analysing structures at different scales[J]. Journal of Applied Statistics，1994， 21（2）：225-270.

[11] 霍春雷，周志鑫，劉青山，等.基于SIFT特征和廣義緊互對原型對距離的遙感圖像配準(zhǔn)方法[J].遙感技術(shù)與應(yīng)用，2007，22（4）：524-530.

（作者單位：國家知識(shí)產(chǎn)權(quán)局專利局專利審查協(xié)作河南中心）

注：李亞瓊和聶冰花為本文做出同等貢獻(xiàn)，為共同第一作者、（姓名右上角標(biāo)1是表示等同第一作者）