一种基于正交矩不变特征的交通标志识别方法
【技术领域】
[0001] 本发明涉及图像处理及计算机视觉技术领域，特别是一种基于正交矩不变特征的 交通标志识别方法。
【背景技术】
[0002] 近年来，随着汽车的不断普及，交通拥挤加剧，交通事故频发，公路交通的安全以 及运输效率问题变得日益突出。交通标志的设立目的是指引人们以安全的方式通过交通， 交通标志包含许多保障交通安全的重要信息，如驾驶前方道路状况的改变、速度限制、驾驶 行为限制等信息，保证了驾驶安全，避免交通事故的发生。
[0003] 目前一些车辆安装有车载交通标志识别系统，通过该车载交通标志识别系统对各 种交通标志进行识别，对提醒驾驶员，保证驾驶员的安全，避免交通事故的发生具有重要意 义。
[0004] 交通标志识别系统采用的识别及分类方法有多种，在基于单目视觉的道路交通标 志识别系统中，常用的图像处理方法一般可分为两类:一是传统图像处理方法;二是机器学 习方法。
[0005] 机器学习方法一般有决策树方法、深度学习方法、Adaboost方法以及支持向量机 (SVM)方法等，这些学习方法都具有很强的预测能力，能快速精准地对输入特征的类别进行 分类。
[0006] 模型特征的选择对及其学习方法的识别率和误检率起着至关重要的作用，目前应 用广泛的图像特征有方向梯度直方图（H0G特征）、局部二值模式(LBP特征）和Haar特征等。 这些特征模型在图像8邻域内的特征就有几十个，如果样本图像尺寸稍微大一些，特征就有 成百上千甚至多达几万个，那么，对于成千上万的样本来说，学习算法将会变得无比复杂， 因此，如何选取有效又少的特征或对复杂特征的降维就显得相当关键。如专利申请号 201310301771.X"一种多特征的分层交通标志识别方法"，将含有高维数据的颜色、形状、方 向梯度直方图特征作为组合特征输入到系统中，既要耗费大量时间，又无法保证学习算法 的准确性和稳定性。
【发明内容】
[0007] 本发明为解决上述问题，提供了一种基于正交矩不变特征的交通标志识别方法， 能够获取图像较少的、有效的特征，有效减小了因特征维度过大带来的计算准确性和耗时 问题，并且该特征具有旋转、尺度缩放和模糊不变特性，降低了因拍摄角度、光照强度、运动 模糊和不同天气状况对图像识别的影响，提高了抗干扰能力，识别准确度高。
[0008] 为实现上述目的，本发明采用的技术方案为：
[0009] -种基于正交矩不变特征的交通标志识别方法，包括以下步骤：
[0010] S1.支持向量机svm学习模型训练，其步骤包括：
[0011] S11.获取所有包含交通标志的图像作为正样本数据集，每张正样本图像中只包含 一种交通标志且不含其它背景，以及不少于正样本数量的不包含交通标志的图像作为负样 本数据集；
[0012] S12.对所有的包含交通标志的正样本图像和不包含交通标志的负样本图像提取 不同阶数和不同重复度下的Fourier-Mellin旋转不变矩、缩放不变矩和模糊不变矩的组合 特征不变量OFMIs，每张正样本图像和负样本图像的组合特征不变量OFMIs均形成特征向量 vi，其中i为样本索引号；
[0013] S13.将所有特征向量Vi及其对应样本图像所属交通标志的类别输入到支持向量 机svm学习模型训练分类器进行训练，每种交通标志各为一个类别，非交通标志为一个类 别；
[0014] S14.支持向量机svm学习模型训练分类器训练完成后构建出交通标志分类器； [0015] S2.交通标志识别，其步骤包括：
[0016] S21.将采集到的图像根据交通标志在图像中可能出现的位置划分出感兴趣区域， 再将感兴趣区域分成若干重叠块；
[0017] S22.提取每块图像不同阶数和不同重复度下的Fourier-Mellin旋转不变矩、缩放 不变矩和模糊不变矩的组合特征不变量OFMIs，每块图像的组合特征不变量OFMIs均形成特 征向量ν'，其中Fourier-Mellin的阶数和重复度与步骤S11中一致；
[0018] S22.将提取的特征向量ν'输入到步骤S12训练好的交通标志分类器，得到识别结 果。
[0019] 所述步骤S12和S22中组合特征不变量OFMIs的计算公式如下：
[0020]
[0021 ] 式中，口为?〇111^61-]\^11;[11矩的阶数，9为矩的重复度，」为虚部，111，1^为索引号，(^,1< 为下三角矩阵，dk,m为Cp,k的逆矩阵；
[0025] Im,q是图像的Fourier-Mellin矩的模糊不变量，Im, q表达式如下，
[0026]
[0027]
[0028] 模糊不变量Im,q中，Fa,b为图像的正交Fourier-Mellin矩。
[0029] 本发明的有益效果是：
[0030] 本发明的一种基于正交矩不变特征的交通标志识别方法，充分考虑了高维数据对 交通标志识别的学习算法的影响，利用不变矩理论生成一种低维的旋转、尺度缩放和模糊 不变的特征，将该特征与支持向量机svm学习模型相结合，得到准确的交通标志分类器。通 过交通分类器对获取的图像或影像内含有的交通标志准确识别和分类。
[0031]与其传统识别方法相比，本发明训练时间短，精确度高，能够有效减小了因特征维 度过大带来的计算问题，稳定性强，精确度高;降低了因拍摄角度、光照强度、运动模糊和不 同天气状况对系统的影响，抗干扰能力强。
【附图说明】
[0032]此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发 明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中： [0033]图1为本发明一种基于正交矩不变特征的交通标志识别方法的步骤S1流程简图； [0034]图2为本发明一种基于正交矩不变特征的交通标志识别方法的步骤S2流程简图。
【具体实施方式】
[0035]为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结 合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用 以解释本发明，并不用于限定本发明。
[0036]如图1及图2所示，本发明揭示的一种基于正交矩不变特征的交通标志识别方法， 其包括以下步骤：
[0037] S1.支持向量机svm学习模型训练，其步骤包括：
[0038] S11.获取所有包含交通标志的图像作为正样本数据集，每张正样本图像中只包含 一种交通标志且不含其它背景，以及不少于正样本数量的不包含交通标志的图像作为负样 本数据集；
[0039] S12.对所有的包含交通标志的正样本图像和不包含交通标志的负样本图像提取 不同阶数和不同重复度下的Fourie