一种采用集合距离的交通路标识别方法

摘要

本发明给出了一种采用集合距离的交通路标识别方法。本发明首先建立标准图像模板库。模板库的建立是通过选取能够代表每幅标准图像的标志点，然后分别计算每两个标志点之间的距离和他们所在直线与正x轴间的角度。其次，观测图像特征点的得到。该步利用马尔科夫随机场，极大后验估计准则和ICM算法对观测图像进行去噪得到其边缘。为减少计算量，提高实时性，去掉边缘点中角度相近，距离在一定范围内的点，利用得到的这些点作为标志点计算特征点。尽管如此，观测图像与标准图像特征点数差别还是较大，所以采用可以度量元素值和元素个数的点集距离计算观测图像与标准图像的差别。本发明能有效减少交通路标识别处理时间，同时提高了识别的准确性。

主权项

一种采用集合距离的交通路标识别方法，其特征在于该方法包括以下步骤：步骤1.路标模板库建立与特征点选取；选择具有典型路标的标准图像，建立路标模板库，对每一个路标图像进行图像大小尺寸的标准化；针对不同形状的路标，选取适当数量的标志点，在得到了标准图像的标志点后，特征点的计算采取欧氏距离，计算公式如下：$d=\sqrt{{(x_1-x_2)}^2+{(y_1-y_2)}^2}---\left(1\right)$其中(x₁,y₁),(x₂,y₂)分别是两个标志点的位置，这样便组成了一个特征点；为增加识别的准确性添加每条直线的角度θ，计算公式如下：每个特征点由两个量组成，即距离和该特征点对应的角度；将每幅标准图像表示为一个二维的矩阵std；一幅图像表示如下：$std=\left[\begin{array}{cccc}{d}_1& d_2& ...& d_m\\ {\theta }_1& {\theta }_2& ...& {\theta }_m\end{array}\right]---\left(3\right)$其中，m为该图像中所选特征点数；通过计算各标志点之间的欧氏距离和标志点之间的角度，把距离和角度组成的矩阵作为标准图像的特征点；这样便形成了标准图像的模板库；步骤2.路标图像去噪处理；对于采集到的路标图像，先对其进行灰度化，使其成为二维图像，这样便可将其看作二维的随机场；用F表示该随机场，记f_s是F_s的实现，其中s是像素点；假设像素点s的邻域是N_s，设S是有限的M*N的点集，S＝{s＝(i,j)|1≤i≤M,1≤j≤N}；若满足以下两个条件：P(F_s＝f_s)>0    (4)P(F_s＝f_s|F_r＝f_r,r∈S,r≠s)＝P(F_s＝f_s|F_r＝f_r,r∈N_s)    (5)则称F为关于邻域N_s的马尔科夫随机场；依据马尔科夫随机场与Gibbs场的等价性，采用符合Gibbs分布随机场，即Gibbs场来描述图像；关于邻域N_s的Gibbs分布表示为：$P(F=f)=\frac{1}{Z}{e}^{-U\left(f\right)}---\left(6\right)$上式中U(f)称为能量函数$U\left(f\right)=\underset{c\in C}{\Sigma }{V}_c\left(f\right)---\left(7\right)$C表示邻域N_s中包含的集簇的集合，V_c(f)称为关于集簇C的势函数，Z为正则化因子；马尔科夫随机场中，相应的集簇势函数定义如下：若观测图像对应的随机场为Y，那么后验概率表示为：$P\left(F\right|Y)=\frac{P\left(Y\right|F)P\left(F\right)}{P\left(Y\right)}---\left(9\right)$上式中，P(Y)为常数，P(F)为观测图像的先验概率，P(F|Y)为已知Y时关于原图像的后验概率，应用贝叶斯准则，观测图像的恢复可转化为求解最大后验概率条件下对原图像的估计值；对于给定观测路标图像Y，P(Y＝y)是常数，路标图像的观测模型如下式所示：y_i＝f_i+e_i    (10)其中y_i是观测图像在点i处得像素值，f_i为标准图像在点i处的像素值，e_i为噪声；则后验概率表示为下式：$P\left(F\right|Y)\cong e^{-U\left(y\right|f)}=e^{-(h\underset{s}{\Sigma }{f}_s-\beta \underset{N_s}{\Sigma }\delta (f_s,f_r)-\eta \underset{s}{\Sigma }\delta \left(f_s,y_s\right))}---\left(11\right)$$\delta (f_s,f_r)=\left\{\begin{array}{c}1,f_s=f_r\\ -1,f_s\ne f_r\end{array}\right.---\left(12\right)$其中，h,β,η为调节参数，f_s,f_r为观测图像s,r像素点的标志值，y_s为估计图像s像素点的标志值；求解原图像的最大后验概率问题可转化为求解能量函数U(f|y)的最小值；即求解采用ICM算法优化得到；步骤3.点集集合距离识别；由步骤1得到了标准图像的数据，由步骤2得到了观测图像去噪后图像，利用ICM算法得到的标志变量求得了观测图像的边缘点；将角度相近、距离在设定范围内的边缘点合并，以此来减少特征点数，降低OSPA距离的计算复杂度，提高识别的实时性；由采样得到的标志点来计算观测图像的特征点；为了能够得到标准图像与观测图像之间的相似程度，采用了点集集合计算观测图像与标准图像的差别，其定义如下：$OSPA(p,c,X,\hat{X})={\left(\frac{1}{n}\left(\underset{\pi \in {\Pi }_{\pi }}{min}\underset{i=1}{\overset{n}{\Sigma }}d{\left(c,x_i,{\hat{x}}_{\pi \left(i\right)}\right)}^p+c^p\left(m-n\right)\right)\right)}^{1/p},n\le m---\left(14\right)$式(14)中的p代表阶数，c代表一个水平参数，用于调节集合势的估计误差比重，X,分别代表标准路标图像和观测路标图像特征点矩阵。