一种基于PHOG特征的SVM的交通标志识别方法[本文来自于wWzz-news]张丽艳张伟龙美芳摘要：本文针对三种不同的交通标识（直行、右拐和直行左拐）给出了一种基于SVM识别方法。该方法首先在分析训练集交通标识图片特点的基础上，提取它们的PHOG特征向量并形成矩阵形式；然后提取测试集交通标识的PHOG特征向量，最后对测试集利用SVM根据PHOG特征对图像进行识别；仿真结果验证了算法的有效性。关键词：交通标识；塔式梯度直方图；支持向量机；图像分类：TP311文献标识码：A：1009-3044（2018）27-0230-021概述交通标识识别技术是智能交通系统一个重要方面，而且对无人驾驶以及智能车辆的辅助驾驶系统发展有积极推动作用[1]。常用的交通标识识别方法主要有两类：基于颜色方法和基于模板匹配的方法[2]。基于颜色的方法对交通标志所处的外部环境要求高，且容易受噪声影响；基于模板匹配的方法对恶劣环境下的识别有较好的效果，但是其鲁棒性差[2]。机器学习则是利用从已知的数据样本学习，根据某些特征通过某些特定的方法，来对未知的样本数据进行识别，做出正确判断[3]。基于塔式梯度直方图（PyramidHistogramofOrientedGradients，PHOG）特征及支持向量机（SupportVectorMachine，SVM）的交通标识自动识别方法就是一种机器学习方法，不同于基于颜色和模板匹配的方法，此方法[4]只需对图像进行特征提取，然后利用支持向量机对提取的特征进行学习形成分类模型，再利用该模型对交通标识图像进行识别判断。2PHOG特征的SVM分类原理本文的交通标志识别分类算法主要包括训练和测试两个过程。首先，根据要分类的交通标识，建立训练图像集合，然后对训练图像集合的PHOG特征进行提取。接着使用SVM对提取到训练图像的PHOG特征做训练，构成分类模型。最后输入测试交通标识图像进行测试，对测试图像集合提取图像的PHOG特征，使用训练过程中得到的分类模型提取得到的测试图像PHOG特征对交通标志图像来去识别分类。2.1PHOG特征提取对于PHOG来说，它其实是一个向量，这个向量是用来空间形状的，使用PHOG的第一步就是要把图像的边缘轮廓提取出来，接下来就是把提取的图像轮廓处理分层，在分层时，各个层都会把上一层的每一个小块依照高和宽再等分成更小的块，然后分别提取每一块轮廓点的梯度方向直方图，其图像的形状特征为金子塔[5-6]。正是因为PHOG的分层提取和金字塔形状特征的这些特点使得它抵抗旋转和抵抗噪声的性能都很强，基于PHOG的这些优良的特性，现在已经广泛应用于图像的查询检索还有模式识别等[7]，而且效果比较优秀和稳固。当图像尺寸固定时，PHOG要计算的是不一样尺度情况下的特征，然后把这些特征给拼连在一块就得到了PHOG特征。2.2支持向量机Vapnik等人在20世纪60年代提出了支持向量机的方法[8]，该方法能够在样本的数目不是很多的情况下达到比较满意的分类效果。支持向量机方法是已经知道了训练点的类别，进而来求训练点和类别它们两个之间相应的联系，可以把训练集按照类别区别开来，或者是预先估计新的训练点的相对应类别[9]。总体上说可以把训练集区别为线性可分和非线性可分两种。而支持向量机的主要作用，就是解决这些分类问题。若支持向量机要解决的问题为非线性问题，可以把非线性问题简化成线性问题，该方法分两步实现：第一步选用合适的函数把训练集进行某种非线性变换，把非[本文来自于wWzZ-news]线性问题映射到高维的特征空间中去。第二步，对于高维特征空间，要在其中找出最优的分类超平面，这个分类超平面其实是和最初的模式空间中的非线性分类面是相对应的。支持向量机在处理非线性问题时的非线性空间的映射步骤如下。假设该非线性映射如式（1）所示。公式（2）的作用就是把问题从高维的非线性转化为低维的线性。而这个转化是经过原来空间的函数内积的运算完成。所以依据泛函数的相关性理论来说，若要有某一空间的内积与内积函数相对应，我们只需找出一种内积函数[Kxi，xj]满足Mercer定理就能够在不增加计算难度的基础上来实现。总結来说，支持向量机其实就是一种求最优分类面的算法，只不过是在经过非线性空间变换之后，在变换之后的空间中去求这个最优分类面。3本文算法仿...