[發明專利]一種基于UM增強和SIFT特征提取的交通標志識別方法

有效

• 申請號: 202110675582.3
• 申請日: 2021-06-18
• 公開（公告）號: CN113420633B
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 郭朦;陳紫強
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V10/50;G06V10/75;G06V10/764;G06K9/62;G06T5/30;G06T5/40;G06T7/11;G06T7/187
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 陸夢云

1.一種基于UM增強和SIFT特征提取的交通標志識別方法，其特征在于，包括如下步驟：

1)圖像增強：采集原始圖像，原始圖像中包含自然場景下的交通標志信息，將原始圖像采用基于小波變換的反銳化掩模UM法進行圖像增強：

將圖片中的每個像素的坐標用(i,j)表示，則表達式如公式(1)所示：

g₂(i,j)＝g₁(i,j)+λ×z(i,j) (1)，

其中，g₁(i,j)是原始圖像坐標為(i,j)的像素，g₂(i,j)為增強后圖像坐標為(i,j)的像素，z(i,j)是計算拉普拉斯掩模得到的梯度值，z(i,j)表達式如公式(2)所示：

其中，λ為調節系數，像素點在不同的對比度區域有不同的λ值，像素點在不同對比度區域的判斷，采用估計本地方差法如公式(3)所示：

計算方差如公式(4)所示：

其中，g₁是均值，g_1var是方差，是平均數，將像素點在高、低對比度的閾值分別設為T₂和T₁，且T₂＞T₁，如果g_1var＜T₁，則像素點在低對比度區域，如果T₁＜g_1var＜T₂，則像素點在中對比度區域，如果g_1var＞T₂，則像素點在高對比度區域；

2)形狀檢測：包括：

1-2)膨脹和腐蝕過程：對圖像分別進行膨脹處理和腐蝕處理即在纖細處分離物體和連接鄰近物體和平滑圖像邊界、填充物體內細小空洞；

2-2)移除小對象過程：對圖像進行移除小對象處理，設置像素數為50，移除圖像中像素數小于50的小對象，消除圖像多余噪點；

3-2)連通域標記過程：將二值圖像中白色像素點連通區域進行標記，以此來確定圖像中物體的輪廓幾何參數；

4-2)確定長寬比范圍過程：確定出交通標示的長寬比范圍，去除連通域面積較小的區域以及降低篩選難度，從而確定出交通標示可能出現的若干個區域，并將其定位目標區域；

5-2)目標切割過程：將確定出的目標區域進行切割，形成若干個分割好的像素區域；

3)SIFT特征提：包括：

1-3)特征點檢測：對圖像進行高斯卷積運算，圖像I(x,y)的尺度空間定義為L(x,y,σ)，由不同尺度的高斯函數G(x,y,σ)與原圖像卷積運算得到：

L(x,y,σ)＝G(x,y,σ)*I(x,y) (5)，

其中，(x,y)是空間坐標，σ是尺度坐標，通過降釆樣構建圖像金字塔，并采用不同尺度的高斯差分和與圖像卷積，對兩個相鄰的高斯尺度空間圖像相減，生成高斯差分尺度空間DOG，高斯差分算子DOG表達式如公式(7)所示：

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y,kσ)-L(x,y,σ) (7)，

尋找DOG尺度空間中的局部極值點，當所檢測的采樣點為3D空間中的局部極值點時，確認該點為所要尋找的SIFT特征點(x,y)；

2-3)特征點描述：包括：

1-2-3)求關鍵點的梯度模值和方向：假設高斯圖像中，L為關鍵點所在尺度，點L(x,y)的梯度的模m(x,y)如公式(8)所示：

點L(x,y)的梯度的方向θ(x,y)如公式(9)所示：

θ(x,y)＝tan^-1(L(x,y+1)-L(x,y-1)/L(x,y+1)-L(x,y-1)) (9)；

2-2-3)為特征點指定方向：采用梯度直方圖來統計特征點鄰域窗口的梯度方向，梯度直方圖包括36個柱，每個柱為10度，以36個柱的峰值來確定特征點的主方向，當存在一個相當于主峰值80％的值時，將其定位特征點的輔方向；

3-2-3)生成特征向量：生成128維特征向量，即取以特征點為中心的8×8窗口，將8×8的窗口分成4×4的小塊并計算梯度方向直方圖，繪制每個梯度方向的累加值，即可形成一個種子點，每個種子點有8個方向的向量信息，這樣就生成128維的SIFT特征向量；

4-2-3)特征向量歸一化：將特征點的128維的SIFT特征向量進行歸一化；

3-3)特征點匹配：當兩幅圖像的SIFT特征向量生成后，釆用歐氏距離來度量特征點之間的相似性，對特征向量進行匹配，對于圖像中的某個特征點，找到另一幅圖像中與其歐氏距離最近的兩個點，如果最近的距離除以次近的距離少于0.5的比例閾值，則接受這一對匹配點，當某一切割圖像的匹配點數明顯高于其他切割圖像時，即可判斷該圖像即為SIFT特征匹配圖像；

4)SVM分類識別：包括訓練和識別過程，其中，

SVM訓練過程如下：

1-4)建立標準交通標志的樣本數據庫；

2-4)提取SIFT特征提取過程輸出的圖像識別結果；

3-4)將步驟2-4)提取的結果與樣本數據庫進行SVM訓練；

SVM識別過程如下：

4-4)提取步驟3)SIFT特征提對自然場景下交通標志的特征識別結果；

5-4)采用特征數據庫進行識別；

6-4)得到待識別圖像和標準圖像及文字釋義；

7-4)顯示對應的文字釋義。