交通標志識別的定性映射模型

王莎莎，馮嘉禮

（上海海事大學 信息工程學院，上海 201306）

交通標志識別作為智能交通系統(tǒng)的重要組成部分[1]，20世紀80年代首先在發(fā)達國家興起，目前國內外有關交通標志識別的研究很多都涉及到基于神經(jīng)網(wǎng)絡、模板匹配、顏色匹配等方法。本文針對交通標志的識別環(huán)節(jié)，首次利用定性映射之差定義的小波[2]，提取圖像輪廓特征向量，建立交通指示標志的定性映射模型，利用定性映射與轉化程度函數(shù)對其進行模糊識別。

1 系統(tǒng)處理流程

交通標志的識別流程如圖1所示。本文所要構建的交通標志識別的定性映射模型，首先是對圖像進行預處理，得到形狀特征向量，通過不斷學習，建立6種指示標志的定性映射模型。識別過程中，通過定性映射模型和轉化程度函數(shù)，找出待識別標志所屬類型或最接近類型。

圖1 交通指示標志識別流程

2 屬性論方法識別交通標志

事物只有通過屬性才能反映其自身，以及和其他事物之間的關系，所以屬性是人們區(qū)別不同事物的標志或基準。交通指示標志有其自身的形狀特征屬性[5]，通過定性映射模型和轉化程度函數(shù)就能找到與之對應的類型。

2.1 交通標志識別的定性映射模型[3-4]

在通常的專家系統(tǒng)中，最簡單的性質命題判斷操作是邏輯語句為 If x∈[α，β]，then p（u），else?p（u）。 若將定性基準[α，β]作為一個調控自變量x變化范圍的參變量，則性質命題判斷可表達為下述映射形式：

定義1 設 a（u）是對象 u的某個屬性，x∈X?R是屬性 a（u）的一個量值，p（u）∈P0是屬性 a（u）的某個性質，[α，β]∈Γ 是性質 p（u）的定性基準，則稱映射 τ：X×Γ→{0，1}×P0，記：

為 p（u）的定性映射。 ∈？又可以稱為屬性 a（u）的量—質特征轉化算子。式（1）又可表示為：

為了刻畫量特征值 x的變化超過質 p（u）的定性基準[α，β]時，u 的性質從 p（u）變?yōu)榱硪环N性質 q（u）的現(xiàn)象，本文將該變化歸結為兩個相應定性映射之差，并由此誘導出一個Haar小波。

定義 2 設 a（u）是事物 u 的一個屬性，p（x）是以[α，β]為基準的性質，[α，β]=[αi，βi]∪[αj，βj]，且 p（x0）=pi（x）pj（x），其中 pi（x）和 pj（x）分別是以[αi，βi]和[αj，βj]為基準的 性 質 。 可 定 義 x 從 區(qū) 間[αj，βj]進 入[αi，βi]后 ，其 性 質 從pj（x）變?yōu)?pi（x），導致其真值的變化記為：

由式（3）得：

不難看出，式（4）即為 Haar小波，如圖 2所示，如果令 ψ（y）=2-m/2ψ（2mx），則可得 一個 幅值縮小而頻率加倍的離散小波。若再令 ψ（z）=ψ（y-k）=2-m/2ψ（2mx-n），則可得一個帶位移n的離散小波。如圖3所示。

在對交通指示標志提取輪廓時，首先對圖像進行二值化、網(wǎng)格化[4]預處理（每幅 90×90的圖像都被劃分為99個小網(wǎng)格）。白色區(qū)域對應的定性基準就是1（對應上述中的基準[αi，βi]），而黑色區(qū)域對應的定性基準是 0（對應上述中的基準[αj，βj]）。由白色變換到黑色的定性基準邊界區(qū)域就是黑白兼有的區(qū)域，即做兩個性質的定性基準之差，這樣可利用定性映射之差定義的小波[8]，實現(xiàn)對圖像的輪廓提取。從圖4可以看出該方法的有效性。

本文以6種交通標志為例，首先對6種指示標志的學習樣本圖像網(wǎng)格化，統(tǒng)計每幅圖像對應每個小網(wǎng)格中像素值為 0 的個數(shù) xij（j=1，2，3…81），通過對學習樣本的不斷學習，就可以建立指示標志對應的形狀特征向量xi=（xi1，xi2…xi81），向量中各元素 xij的基準為[αj，βj]。 利用屬性論中定性映射的相關知識，建立6種指示標志的形狀特征的定性映射模型[6]。

2.2 轉化程度函數(shù)[7]

因量不同而導致的質轉化程度差異，普遍存在于屬性量—質轉化之中，故需要引入一個能刻畫這種差異的概念—轉化程度函數(shù)。

每幅待識別的圖像都可以轉化為81維的向量xi，識別時，將xi與6種標志所對應的定性映射模型Vuk依次進行比較，規(guī)定若 xij∈[αik，βik]，τp（xij）=1；xij?[αik，βik]，τp（xij）=0；設mik=τp（xij），可用 ηk（xi）=（n=81，k=1，2，3，4，5，6）作為轉化程度函數(shù)，用來衡量被識別模式與標準模式之間的相似度，通過相似度調節(jié)，就可以將待識別類別逐步模糊化，達到模糊識別[8]的目的。

3 仿真實驗

本文分別利用上述方法與BP神經(jīng)網(wǎng)絡對120個樣本進行學習（包含左轉彎、右轉彎、直行、鳴笛、靠右側道路行駛，直行和向左轉彎6種標志各20個），然后對150個待測樣本 （以上6種標志各20幅及其他標志）進行識別。以被污染的鳴笛標志為例，其兩種方法的結果分別如圖5所示。

表1為利用本文所提出的方法與BP神經(jīng)網(wǎng)絡對以上的訓練圖片和測試圖片進行實驗所得的結果。通過對比證明，本文所提出的方法對交通標志的識別還是較好的。

表1 實驗對比結果

本文利用屬性論中定性映射與定性基準變換的相關知識建立交通指示標志的定性映射模型，并結合轉化程度函數(shù)對交通指示標志進行模糊識別。并用BP神經(jīng)網(wǎng)絡的方法做了對比，實驗證明了這種模型的合理性、有效性。今后可在下述方面進行一些研究：（1）由于本文的實驗對象主要是針對標準圖或者出現(xiàn)某種局部損傷的圖像，今后可以在實景圖中進行交通標志的識別；（2）對已實現(xiàn)的算法做進一步的優(yōu)化工作，爭取達到更好的結果；（3）本文所提出的交通標志識別還有待于在實踐中不斷完善和改進。

[1]方敏，李福才.流行學習在交通標志識別中的應用研究[D].西安：西安電子科技大學，2010.

[2]馮嘉禮.思維與智能科學中的性質論方法[M].北京：原子能出版社，1990.

[3]馮嘉禮.感知和判斷中的基準變換及其性質坐標分析法[J].廣西科學，1994，1（4）：6-13.

[4]李文佩.基于定型映射和轉化程度函數(shù)的漢字識別[D].上海：上海海事大學，2004.

[5]Feng Jiali.Attribute network computing based on qualitative mapping and its application in pattern recognition[J].Journal of Intelligent and Fuzzy System， 2008（19）：243-258.

[6]Feng Jiali.Qualitative mapping model of pattern recognition，rough sets and knowledge technology[R].LNAI 5009， Spriger：636-643

[7]馮嘉禮.定性映射、基準變換、轉化程度函數(shù)、人工神經(jīng)元和集合模糊化[J].模糊數(shù)學與系統(tǒng)，2004（18）：53-56.

[8]周巖炎，馮嘉禮，基于定性映射的數(shù)字音頻水印算法[J].廣西示范大學學報，2011，29.