第6期 谷明琴，等：形状标记图和Gabor小波的交通标志识别 ·529· 边三角形、红色八边形、蓝色圆形、蓝色矩形、黄色矩 从原点到超平面的垂直距离，‖w‖是欧式空间的 形、黄色正等边三角形7类32种交通标志的模板库 2-范数.在可分的2类中，对任意的i,均满足约束条 对获得的感兴趣区域和模板库中的交通标志图 件： 像用二维Gabor小波变换，获得其不同方向和尺度 y:((x:·w〉+b)-1≥0 (3) 的小波图像，然后用二维独立分量分析(2DICA)[6] 满足式(1)的点可求得"、b的尺度因子.这些 提取其小波图像的主特征，用线性支持向量机离线 落点在2个超平面H:<x:·w>+b=1和H2: 训练各类特征库，在线分类感兴趣区域的交通标志. <:·w>+b=-1.2个数据集的间隔可简化为 2.1交通标志特征提取 2/‖w‖，2个数据集最大间隔可由‖w‖2/2的最 二维Gabor小波核函数定义为 小化获得.引入正拉格朗日乘子a,i=1,2,…,1.目 :(k,)=1L exp IIx 标函数的最小化值为 2a2 (ep(k,gx)-ep(-2）月 L=1wn-a(w）+b)+名a 得到了优化函数，就可确定测试向量在超平面 式中：i为复数算子；σ为小波滤波器的带宽，一般取 的哪一边.系统的判别函数为 σ=2π；k为小波矢量，其不同取值构成了小波簇中 f(x8gn{〈x·w〉+b. 不同的小波函数，k=k(cosj,sinj)T,表示小波的 不同核频率，在本文中取)=0,1，…，5；p表示小波 3实验结果与分析 方向，每种核频率的小波可进一步衍生出6个不同 试验选择在校内一条带转弯的路上，每隔30m 方向的小波，其中 摆放一个交通标志.车速为30km/h,用车载摄像机 k,=2-*2)rπ，j=((V+1)m)/6, 以15帧/s的速率，采集包括禁令、警告、指示和限 V=0,1,…,5. 速的32种交通标志在不同天气和光照条件下的视 这样定义了一个6×6的Gbor小波簇与交通 频图像.对交通标志进行检测和识别，结果如表1所 标志灰度图像进行卷积，可获得6个方向，6个尺度 示，本文算法可以有效地检测和识别交通标志，检测 共36幅小波图像， 率和检测率均达到95%以上，明显地优于文献[6] 首先把获取的彩色图像转换为灰度图像，并用 的算法 双线性插值法把灰度图像归一化为30×30大小.然 图5为试验中3段视频的交通标志的识别结 后用二维Gbor小波变换，获取6个方向6个尺度 果.每行图像对应不同的视频序列，识别结果显示在 的36幅Gabor小波图像.由于这些图像较多，冗余 图像的左上角，从中可以看出，本文算法能够有效地 信息量大，为了降低计算的复杂度，用降采样方法采 识别出多种交通标志， 集Gabor小波图像的主要信息，作为二维独立分量 分析算法的输入信息， 对每类交通标志，用二维独立分量分析 (2DICA)离线提取其小波图像主特征作为特征库. 在交通标志实时识别中，对检测到的交通标志感兴 (a)85 )1351 (c)190项 趣区域的小波图像提取其主特征 2.2交通标志分类 在交通标志实时识别时，把提取的交通标志感 兴趣区域特征送入对应的支持向量机中进行分类， (d84 (e)104 (0136顿 得到感兴趣区域的交通标志类别. 支持向量机首先要对特征库2类之间进行分 离，训练数据集记为{x:,y:},其中，i=1,2,…,1,y:∈ {-1,1},x:eR.向量x:是2DICA算法提取的图像 特征，y:对一类为1，另一类为-1，d是向量x:的维 (g)119懒 h)193顿 (234帧 数，1是训练样本数量.如果用超平面(w,b)来分离 图53段视频中交通标志的识别结果 2类，超平面上的点满足〈x·w〉+b=0,b/‖w‖是 Fig.5 Recognition results of traffic signs in 3 videos