[发明专利]基于PCA降维的HOG-MBLBP融合特征的交通标志识别方法

权利要求书

1.一种基于PCA降维的HOG-MBLBP融合特征的交通标志识别方法，其特征在于，包括以下步骤：

S1、利用训练样本训练分类器模型；

S11、构造训练样本库，包含各种类型交通标志的图片；

S12、提取步骤S11所确定训练集中训练样本图像，进行灰度化，提取HOG特征；

S13、提取步骤S11所确定训练集中训练样本图像，提取MBLBP特征；

S14、串联步骤S12和步骤13中HOG和MBLBP两种特征向量得到HOG-MBLBP融合特征向量；

S15、将得到的所述融合特征向量使用PCA算法进行降维；

S16、使用线性支持向量机SVM算法对步骤S15得到的降维后的所述融合特征向量进行训练，获得SVM交通标志分类器；

S2、检测定位图像中感兴趣区域ROI，即得到交通标志图像；

S3、利用分类器模型识别交通标志图像；

S31、对步骤S2中检测定位的交通标志图像灰度化处理；

S32、提取经灰度化处理的交通标志图像的HOG-MBLBP融合特征；

S33、将融合特征进行PCA降维；

S34、利用步骤S1中已经训练好的SVM交通标志分类器识别出交通标志所属类别。

2.根据权利要求1所述的基于PCA降维的HOG-MBLBP融合特征的交通标志识别方法，其特征在于，

步骤S2中，检测定位图像中感兴趣区域ROI，具体包括以下步骤：

S21、在HSI颜色空间下对交通标志进行颜色分割；

S22、对步骤S21中经颜色分割后的区域进行形状分割；

S23、定位裁剪出的交通标志图像。

3.根据权利要求2所述的基于PCA降维的HOG-MBLBP融合特征的交通标志识别方法，其特征在于，

步骤S14中，串联HOG和MBLBP两种特征向量得到HOG-MBLBP融合特征向量，得到两个特征融合后的特征向量，融合后的特征向量用公式表示为：

θ＝(μx，(1-μ)y)；

μ为权重系数，μ＝0.5。

4.根据权利要求3所述的基于PCA降维的HOG-MBLBP融合特征的交通标志识别方法，其特征在于，

步骤S15中，将得到的所述融合特征向量使用PCA算法进行降维，具体包括以下步骤：

S151、设定步骤S14得到的融合特征的每一行进行零均值化；

S152、求出步骤S151矩阵的协方差矩阵；

S153、求出S152协方差矩阵的特征值及对应的特征向量；

S154、将步骤S153得到的特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成新的矩阵；

S155、将步骤S154得到的矩阵与步骤S14得到的融合特征矩阵相乘即为降维到k维后的新数据集。