[发明专利]基于形状特征不变子空间的交通标志识别方法

摘要

本发明涉及一种基于形状特征不变子空间的交通标志识别方法，以交通标志的二值图像为特征提取对象，将主成分分析方法和线性判别分析方法相结合，先利用主成分分析方法对交通标志图像进行特征提取，得到具有最佳描述效果的特征矩阵；再在该矩阵上用线性判别分析方法进行二次特征提取，得到具有最佳分类效果的特征矩阵，所以本方法所提取的特征既具有最佳描述性也具有最佳区分性；最后采用最小距离分类法对所提取特征进行识别，通过实验验证可以将交通标志准确的识别出来。

主权项

1.一种基于形状特征不变子空间的交通标志识别方法，其特征在于：步骤如下：（1）建立交通标志图像数据库：针对交通标志主标志进行识别，分别建立指示交通标志图像数据库、警告交通标志图像数据库和禁令交通标志图像数据库，分为以下几步：1）下载标准交通标志的彩色图像，建立相应的彩色图像数据库；2）利用公式gray=0.299R+0.587G+0.114B将交通标志图像转化为灰度图像，建立相应的灰度图像数据库；3）对图像加入噪声；4）对灰度图像进行二值化，建立交通标志的形状数据库；（2）计算主成分分析（PCA）特征子空间：假设交通标志图像集合为：X＝{f₁(x,y),f₂(x,y),...,f_N(x,y)}，每一幅图像f_i(x,y)都能够按照行顺序展开成一个M维的向量M为图像像素个数，它的协方差矩阵定义为：C＝XX^T＝E{(X-u)(X-u)^T}，其中u＝E{X}；对C进行奇异值分解：矩阵U列向量u₁,u₂,...,u_M是单位正交的，构成主成分空间的基，它们被称之为主成分；KL变换把协方差矩阵对角化了，即通过KL变换，消除了原有向量的各分量之间的相关性，从而达到降低特征空间维数的目的；设图像向量在主成分空间中坐标为a_i＝[a_1i,a_2i,...,a_Mi]^T∈R^M，则有x‾i=Uai=[u1,u2,...,uM]·[[a1i,a2i,...,aMi]T]=Σk=1Maki·uk,---(2)]]>因为U为单位正交矩阵，UU^T＝U^TU＝E，则[a1i,a2i,...,aMi]T=[u1,u2,...,uM]Tx‾i=[u1Tx‾i,u2Tx‾i,...,uMTx‾i],---(3)]]>aki=ukTx‾i,---(4)]]>代入上式得到：x‾i=Σk=1M{ukTx‾iuk}---(5)]]>它物理意义表示为：使用主成分向量的加权累加和来拟合输入图像假设只用前d个有限项来估计x^i=Σk=1dukTx‾iuk---(6)]]>这样就完成了对原图像的降维，由于KL变换所具有的优良特性，认为降维后的特征空间足以代表原图像的本质特征；取前d个特征值所对应的特征向量作为PCA特征子空间的基，将所有交通标志图像向该子空间投影，就得到了能够表示原图像集的特征子空间；（3）计算线性判别分析（LDA）特征子空间：经典的线性判别分析中使用的是Fisher准则函数，所以线性判决分析又被称为Fisher线性判别分析（Fisher Linear Discriminant Analysis/FLDA）；Fisher准则函数是这样定义的：J(w)=argmaxw|wTSBw||wTSww|---(7)]]>其中，类间离散度S_B和类内离散度S_w定义为：SB=1C(C-1)Σi=1CΣj=1C(ui-uj)(ui-uj)T---(8)]]>SB=1CΣi=1C1NΣj=1Ni(xji-ui)(xji-ui)T---(9)]]>C为总的类数，N_i表示第i类的样本数，为第i类中的第j个样本，为第i类中的样本均值；在数学上，求解Fisher准则函数的最优解就等于求解的特征值问题；求使取得最大值时的特征值，所对应的特征向量就是LDA子空间的基；将PCA特征子空间中的特征集向LDA子空间投影，就得到最终的代表原交通标志图像的PLA特征空间；（4）采用最小距离分类法验证所特征提取特征的识别效果。