交通标志识别的定性映射模型

摘  要： 采用属性轮方法建立交通标志的定性映射模型，利用此模型结合转化程度函数，对交通标志进行识别。实验结果表明，定性映射在交通标志识别领域具有一定的应用价值。
关键词： 定性映射；转化程度函数；轮廓特征
   　交通标志识别作为智能交通系统的重要组成部分[1]，20世纪80年代首先在发达国家兴起，目前国内外有关交通标志识别的研究很多都涉及到基于神经网络、模板匹配、颜色匹配等方法。本文针对交通标志的识别环节，首次利用定性映射之差定义的小波[2]，提取图像轮廓特征向量，建立交通指示标志的定性映射模型，利用定性映射与转化程度函数对其进行模糊识别。
1 系统处理流程
　交通标志的识别流程如图1所示。本文所要构建的交通标志识别的定性映射模型，首先是对图像进行预处理，得到形状特征向量，通过不断学习，建立6种指示标志的定性映射模型。识别过程中，通过定性映射模型和转化程度函数，找出待识别标志所属类型或最接近类型。
   
   2 属性论方法识别交通标志
　事物只有通过属性才能反映其自身，以及和其他事物之间的关系，所以属性是人们区别不同事物的标志或基准。交通指示标志有其自身的形状特征属性[5]，通过定性映射模型和转化程度函数就能找到与之对应的类型。

   

　本文以6种交通标志为例，首先对6种指示标志的学习样本图像网格化，统计每幅图像对应每个小网格中像素值为0的个数xij（j=1，2，3…81），通过对学习样本的不断学习，就可以建立指示标志对应的形状特征向量xi=（xi1，xi2…xi81），向量中各元素xij的基准为[αj，βj]。利用属性论中定性映射的相关知识，建立6种指示标志的形状特征的定性映射模型[6]。