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(nèi)外有關(guān)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(zhuǎn)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(gòu)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(zhuǎn)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(guān)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(zhuǎn)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(zhì)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(diào)控自變量x變化范圍的參變量，則性質(zhì)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(zhì)，[α，β]∈Γ 是性質(zhì) 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(zhì)特征轉(zhuǎn)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(zhì) p（u）的定性基準[α，β]時，u 的性質(zhì)從 p（u）變?yōu)榱硪环N性質(zhì) q（u）的現(xiàn)象，本文將該變化歸結(jié)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(zhì)，[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(zhì) 。 可 定 義 x 從 區(qū) 間[αj，βj]進 入[αi，βi]后 ，其 性 質(zhì) 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?qū)亩ㄐ曰鶞示褪?（對應上述中的基準[αi，βi]），而黑色區(qū)域?qū)亩ㄐ曰鶞适?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(zhì)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(guān)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(zhuǎn)化程度函數(shù)[7]

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

每幅待識別的圖像都可以轉(zhuǎn)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(zhuǎn)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(diào)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(zhuǎn)彎、右轉(zhuǎn)彎、直行、鳴笛、靠右側(cè)道路行駛，直行和向左轉(zhuǎn)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(jié)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(jié)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(jié)果

本文利用屬性論中定性映射與定性基準變換的相關(guān)知識建立交通指示標志的定性映射模型，并結(jié)合轉(zhuǎn)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(jié)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(zhì)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(zhì)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(zhuǎn)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(zhuǎn)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.