本發(fā)明提出的是車載激光掃描點云數(shù)據(jù)的交通標牌識別方法，屬于遙感科學(xué)技術(shù)領(lǐng)域。

背景技術(shù)：

在2013年8月29日在京舉行的“中國道路交通安全論壇”上，公安部副部長黃明指出，截至2012年底，中國機動車保有量2.4億輛，機動車駕駛員2億人，根據(jù)《國家公路網(wǎng)規(guī)劃（2013-2030年）》，2030年末我國公路總里程將達580萬公里左右，車輛增多、路況復(fù)雜致使交通事故發(fā)生頻次與日俱增，給我國公民生命財產(chǎn)安全帶來巨大威脅，亟需建立完善交通安全管理體制，智能交通系統(tǒng)（Intelligent Transportation System, ITS）就是提高車輛智能、改善交通狀況的有效方法之一。

ITS 是上個世紀90年代興起的新一代智能交通系統(tǒng)，它將先進的信息處理技術(shù)、導(dǎo)航定位技術(shù)、數(shù)據(jù)通訊技術(shù)、物聯(lián)網(wǎng)技術(shù)、計算機網(wǎng)絡(luò)技術(shù)等有效地綜合應(yīng)用于整個交通管理系統(tǒng)，通過加強道路、車輛、駕駛員和管理員之間的聯(lián)系，實現(xiàn)車輛行駛的“智能化”和道路交通的“自動化”，雖然ITS在一定程度上發(fā)揮了智能感知、導(dǎo)航的作用，但是該系統(tǒng)整合的技術(shù)較多，尤其是基于視覺的車輛感知技術(shù)，往往需多視角光學(xué)影像生成三維深度圖以輔助車輛分析周圍環(huán)境，這往往會導(dǎo)致計算量大、耗時且易受到諸如天氣、光線等外在因素影響，另外，利用ITS進行智能導(dǎo)航、感知和理解周圍環(huán)境時，通常過度依靠GNSS（Global Navigation Satellite System, GNSS）和其他基礎(chǔ)GIS（Geographic Information System, GIS）數(shù)據(jù)源，這常常導(dǎo)致以下缺陷：① 實際道路交通標牌零部件數(shù)據(jù)庫與當前車輛GNSS位置時常存在不匹配的現(xiàn)象，傳統(tǒng)的市政交通路標、交通指示牌等零部件大多是通過RTK（Real-time kinematic, RTK）或全站儀等傳統(tǒng)測量設(shè)備獲取，其更新頻率較低，毀壞、拆除或新建的交通標牌不能實時同步到數(shù)據(jù)庫中，因此進行實時導(dǎo)航時，車輛當前位置與其周圍環(huán)境中交通設(shè)施往往不同步，進而影響實時導(dǎo)航的效率和用戶體驗；② 當車輛位于高樓聳立的城區(qū)或大型商業(yè)建筑物內(nèi)部時（譬如地下停車場），往往會造成GNSS信號失鎖，甚至完全失效，此時基于視覺導(dǎo)航就變得十分重要；③ 在高精度動態(tài)導(dǎo)航時，GNSS精度將不能滿足要求，如巡航導(dǎo)彈對目標精準打擊時，最后的精準定位大多都是基于視覺、激光、紅外等信息判別目標位置；④ 在某些情況下，單純利用GNSS導(dǎo)航會變得不現(xiàn)實，如2013年12月2日中國發(fā)射的“嫦娥三號”衛(wèi)星所攜帶的巡視探測器—玉兔號月球車，其在月球表面進行探測時，GNSS的導(dǎo)航便失去作用，此時需要借助計算機視覺，認知周圍地形場景，實現(xiàn)月球車的最優(yōu)路徑選擇。

因此，要使得智能交通系統(tǒng)ITS更為智能，除了與GNSS、物聯(lián)網(wǎng)技術(shù)、網(wǎng)絡(luò)通訊技術(shù)進行有效結(jié)合外，還應(yīng)賦予車輛更多的智能，令其能夠理解自身所處的環(huán)境場景，尤其在高速公路和城區(qū)主干道環(huán)境中，以交通指示牌、電線桿、交通信號燈、公交路牌、路燈等為標識的桿狀物尤為常見，它們突顯于周圍環(huán)境，容易被觀察者識別，因此經(jīng)常被作為路標，用于輔助駕駛和導(dǎo)航，對該類路牌路標的快速識別，需要結(jié)合計算機視覺技術(shù)，利用車輛配備的車載激光雷達掃描系統(tǒng)MLS，實時從三維激光點云中感知物體的位置和空間幾何結(jié)構(gòu)信息，提取對交通導(dǎo)航有幫助的交通標牌等桿狀物，以期突破利用傳統(tǒng)多角度光學(xué)影像提取交通標牌時易受天氣、光線條件、遮擋等不利因素的制約。

交通標牌在幾何特征上屬于桿狀物體，傳統(tǒng)的基于光學(xué)影像的桿狀地物提取方法需要良好的光照條件，不能全天候作業(yè)，并且很難提供目標精確的三維幾何信息，MLS系統(tǒng)在獲取空間信息方面提供了一種全新的技術(shù)手段，能夠在高速移動狀態(tài)下獲取道路及其兩側(cè)建筑物、樹木、交通標牌、路燈等地物的三維空間坐標，彌補了傳統(tǒng)光學(xué)影像數(shù)據(jù)采集手段的不足，已被廣泛運用于數(shù)字城市、基礎(chǔ)測繪、城市規(guī)劃、交通、環(huán)保等領(lǐng)域，研究基于MLS點云的桿狀地物自動提取技術(shù)，輔助城市基礎(chǔ)設(shè)施部件探測和智能車輛導(dǎo)航已成為當前的研究熱點。

學(xué)者Brenner利用“圓柱算法”提取城區(qū)環(huán)境中的桿狀目標，用于汽車輔助駕駛和道路基礎(chǔ)設(shè)施建庫。該類方法根據(jù)落入內(nèi)圓柱和外圓柱內(nèi)的點數(shù)比值來識別桿狀地物，“圓柱算法”對外圓柱半徑、內(nèi)外圓柱點數(shù)比值等閾值較敏感，并且該方法在桿狀物體上有附屬結(jié)構(gòu)或桿狀物體周圍附著有其它物體時容易導(dǎo)致檢測失?。粚W(xué)者Golovinskiy 等提出一種從MLS數(shù)據(jù)中分割汽車、路燈、交通信號桿等地物的方法，該方法通過對物體定位、前景和背景分割、幾何和語義特征的提取等系列流程，實現(xiàn)目標監(jiān)督分類，另外，該方法也融合其他數(shù)據(jù)源，完善語義特征描述，物體識別率可達65%。但是訓(xùn)練樣本選擇數(shù)量和代表性會極大地影響識別精度，同時大量的樣本訓(xùn)練也會降低系統(tǒng)效率，難以做到實時處理；另外，很多學(xué)者利用掃描線特征提取城區(qū)和林區(qū)的桿狀地物，該類方法首先基于桿狀地物在掃描線上表現(xiàn)出的不同特征，逐條掃描線中識別屬于桿狀地物的掃描線，然后根據(jù)空間相鄰性，將候選掃描線合并得到候選桿狀區(qū)域，再根據(jù)桿狀地物的語義規(guī)則或先驗知識，逐次判斷候選桿狀區(qū)域，得到最終的桿狀地物，該類方法需要掃描線信息的支持，難以處理散亂的點云數(shù)據(jù)，并且對傳感器的種類和安裝方式具有很大的依賴性，適應(yīng)性較差；學(xué)者Pu等提出一種認知MLS點云場景的方法，用于交通安全的監(jiān)測：首先將點云粗略分為“地面”、“與地面接觸的地物”和“與地面非接觸地物”三類，然后利用分割單元的尺寸、拓撲、形狀、方向等特征進一步將“與地面接觸地物”分為交通標牌、樹木、建筑、交通圍欄等，該方法在不同類型激光腳點的混合區(qū)域、桿狀物體上有附屬結(jié)構(gòu)、桿狀物體周圍附著有其它物體的復(fù)雜情形時，容易導(dǎo)致檢測失敗，另外，物體的識別效果也受到特征提取、場景復(fù)雜度、數(shù)據(jù)質(zhì)量等綜合因素的影響；學(xué)者Yu 等提出一種全自動方法從MLS數(shù)據(jù)場景中分割地面、建筑、植被等，該方法首先去除地面點，然后通過體素化加速后續(xù)地物點的分割，使得后續(xù)Mean-shift分割基于較大的分割單元，最后通過MEMS（Manifold Embedded Mode Seeking, MEMS）方法分類體素化后的分割單元，該分割方法對于點云的噪聲和均勻程度不敏感，較適合復(fù)雜場景的分割，可以分離獨立或者地基較小地物，又能保證跨度較大地物（天橋）和面積較大地物（建筑立面）分割的完整性，另外，該方法對具有重復(fù)結(jié)構(gòu)單元的建筑墻面具有良好的分割效果。武漢大學(xué)楊必勝教授提出Shape-based分割方法，用于MLS數(shù)據(jù)分割，該方法首先通過確定最優(yōu)的鄰域范圍，計算每個點云的幾何特征，用于后續(xù)的SVM（Support Vector Machine, SVM）點云標號，然后通過定義分類規(guī)則對上述標號過的點云進行聚類，并對聚類單元實施圖割優(yōu)化，最后利用合并規(guī)則合并分割單元，以實現(xiàn)單個物體的完整分割，該方法具有較好的分割效率，尤其對于桿狀物體具有特別好的分割效果。為滿足道路交通設(shè)施部件調(diào)查和管理需求，學(xué)者Yokoyama等利用物體幾何結(jié)構(gòu)和上下文語義特征，從MLS數(shù)據(jù)中探測和識別道路兩旁的桿狀物，并將其細分為燈桿、多功能用途電線桿、交通標牌三類。在桿狀物被正確分割的基礎(chǔ)上，其正確識別率達到92.2%；相反，如果桿狀物的分割出現(xiàn)錯誤，其識別率僅為69.7%。

雖然上述學(xué)者在利用MLS數(shù)據(jù)場景分類方面作了大量的工作，目前在提取和識別類似于交通標牌等“桿狀”地物方面仍然存在諸多困難：① 由于MLS點云存在嚴重遮擋、點密度不均勻等問題，在進行局部幾何特征計算時，往往很難精確獲得地物幾何特征參數(shù)，從而導(dǎo)致桿狀地物檢測的完整性較低；② 桿狀物體上有附屬結(jié)構(gòu)或桿狀物體周圍附著有其它物體時，容易導(dǎo)致檢測失敗。

MLS數(shù)據(jù)場景分類完成后，現(xiàn)有的文獻很少涉及如何進一步認知和理解不同地物，即不僅僅需要完整分割，而且需要讓計算機進一步認知和理解每類物體和其子類是什么，這樣才能更好地滿足城市基礎(chǔ)部件調(diào)查、道路導(dǎo)航等領(lǐng)域的高層次應(yīng)用需求，另外上述文獻也很少有針對性考慮對特定目標（譬如交通標牌）進行實時性識別，很明顯，徹底地認知和理解當前車輛掃描場景，有助于提高交通標牌識別的準確度，由于徹底認知場景和單純追求交通標牌的識別效率之間往往存在矛盾，因而在設(shè)計算法時應(yīng)以實際需求為導(dǎo)向，在交通標牌識別效率和準確率兩者之間尋求折中，力求做到實時性和有針對性，這有助于提高算法的工程應(yīng)用價值，基于上述理解，力求在場景識別的全面性和單一交通標牌識別的實時性、地物分割的尺度與正確識別率、交通標牌類型識別等方面有所突破和創(chuàng)新。

技術(shù)實現(xiàn)要素：

本發(fā)明提出的是車載激光掃描點云數(shù)據(jù)的交通標牌識別方法，旨在提供一種利用MLS點云空間數(shù)據(jù)進行交通標牌實時提取和識別的方法，以克服單純的基于視覺光學(xué)影像提取和識別交通標牌方法的缺陷。

本發(fā)明的技術(shù)解決方案：車載激光掃描點云數(shù)據(jù)的交通標牌識別方法，該方法包括以下步驟：

（一）點云實時預(yù)處理；

（二）點云結(jié)構(gòu)特征獲??；

（三）多尺度馬爾科夫隨機場點云聚類；

（四）交通標牌識別。

本發(fā)明的優(yōu)點：

（1）提出了一種結(jié)合拉普拉斯平滑和非監(jiān)督馬爾科夫隨機場聚類方法，該方法利用拉普拉斯平滑方法，強化了點云的“面狀”、“線狀”、“散亂狀”特征，增強了點與點之間的差異性，非監(jiān)督馬爾科夫隨機場對點云按照“面狀”、“線狀”、“散亂狀”等類型進行聚類，在避免欠分割的同時，能夠快速在交通標牌零部件尺度上合理分割；

（2）提出了一種基于圖像匹配實現(xiàn)交通標牌類型識別的方法，該方法直接針對標牌本身的形狀進行識別，采用全局優(yōu)化技術(shù)直接獲得標牌最優(yōu)位置和子類型，在一定程度上也可以處理由于其他地物遮擋或地物自遮擋造成的部分點云缺失的問題，并且可以識別含有多個子標牌的復(fù)雜交通標牌；

（3）在實時識別交通標牌的同時，也一并實現(xiàn)了城區(qū)道路兩旁桿狀地物的精準分割和提取，從而獲得這些基礎(chǔ)設(shè)施的位置、幾何和類別等信息，可服務(wù)于全國地理國情普查工作中對城區(qū)基礎(chǔ)設(shè)施部件的快速測繪、建庫、更新等統(tǒng)計工作；

（4）可以從地物遮擋或地物自遮擋造成的部分交通標牌確實的點云中實現(xiàn)交通標牌的分類和識別；

（5）本發(fā)明基于計算機視覺，對車載點云車牌進行實時識別和認知，在無人駕駛導(dǎo)航、地理國情普查過程中城市零部件的快速提取、監(jiān)測和識別等領(lǐng)域有重要的實踐價值，可以滿足當前地理國情普查中對城市零部件的快速提取、監(jiān)測和識別的要求，可以推廣到基于計算機視覺的有人或無人導(dǎo)航和避障領(lǐng)域，輔助駕駛員在復(fù)雜路況下導(dǎo)航和決策，有效地降低交通事故發(fā)生的概率。

附圖說明

附圖1 是車載激光掃描點云數(shù)據(jù)的交通標牌識別方法的技術(shù)流程圖。

附圖2是I_destination圖像分塊示意圖。

具體實施方式

對照附圖，車載激光掃描點云數(shù)據(jù)的交通標牌識別方法，該方法包括以下步驟：

（一）點云實時預(yù)處理；

（二）點云結(jié)構(gòu)特征獲取；

（三）多尺度馬爾科夫隨機場點云聚類；

（四）交通標牌識別。

所述的點云實時預(yù)處理，主要作用是：限定視場范圍減少實時處理的點云數(shù)量；去除地面點、建筑點等與當前提取目標交通標牌明顯不相關(guān)的其他地物點，上述兩方面預(yù)處理，可以大大縮減處理數(shù)據(jù)的規(guī)模，以便系統(tǒng)能夠在線實時對交通標牌進行探測，具體預(yù)處理步驟如下：

① 剔除視場范圍以外的點：可通過簡單的閾值法，將當前車輛前、左、右、上、下距離閾值d （100 m）外的點云剔除；

② 地面點剔除方法：將點云柵格化，將其垂直投影到柵格網(wǎng)，每個非空柵格包含若干個點，柵格化過程不損失數(shù)據(jù)的精度，柵格化后，可保證組成地物點云的完整性；假設(shè)將當前柵格及其周圍鄰域柵格內(nèi)的最低點設(shè)為地面點，逐次比較鄰域內(nèi)最低點和當前柵格內(nèi)最低點高程，如果存在任意一個鄰域柵格最低點高程小于當前柵格最低點高程且超過閾值h₁（h₁=0.5 m）時，則判定當前柵格為地物柵格，否則為地面柵格；柵格判定完成后，同時規(guī)定，在當前地面柵格及其鄰域柵格范圍內(nèi)，比當前地面柵格中最低點高程差大于h₂（10 cm）緩沖帶內(nèi)的點也默認為地面點，需將其剔除；地面點的去除主要是為了減少點云數(shù)量，提高實時計算的效率，而殘留下沒有去除干凈且零散散布的地面點將會在后續(xù)過程中被進一步剔除，他們暫時的存在不會影響交通標牌識別的精度；

③ 大面積建筑屋頂、建筑立面剔除：借助柵格網(wǎng)，統(tǒng)計分析柵格內(nèi)點云的數(shù)量，如果柵格單元中點的數(shù)目大于5且至少存在10個同類型的柵格單元構(gòu)成連通分量時，這些連通的柵格單元內(nèi)的點則屬于建筑立面，需將其進一步剔除，并且根據(jù)建筑立體墻面的位置，將建筑立面后方所有柵格中包含的建筑屋頂點也一并去除。

所述的點云結(jié)構(gòu)特征獲取，該步驟的主要目的是對點云逐個標號，將其歸屬到“線狀”、“面狀”、“散亂狀”三種結(jié)構(gòu)類別，便于下一步流程中使用多尺度馬爾科夫隨機場，根據(jù)點云類別及空間關(guān)系進行聚類，其具體方法如下：

對實時預(yù)處理后得到的地物點，借助KNN（K-Nearest Neighbor algorithm, KNN）算法構(gòu)建k鄰近無向圖，將無組織點云利用無向圖數(shù)據(jù)結(jié)構(gòu)進行組織，組織成無向圖有兩方面優(yōu)點：① 通過對無向圖分析可有效識別額外噪聲點；② 基于此無向圖可方便地搜索連通性分量，不同的聯(lián)通分量代表不同的地物或多個相鄰地物的組合；為突顯每個聯(lián)通分量中點云的特征，首先逐個對聯(lián)通分量利用公式（1）進行拉普拉斯平滑，可以突出“線狀”物體的骨架特征，并且會進一步平滑“面狀”或“散亂狀”物體表面，降低噪聲點對點云進行PCA分析時計算特征值、特征向量以及馬爾科夫隨機場分類帶來的影響，便于分類時將每個點歸屬到“線狀”、“面狀”、“散亂狀”三種結(jié)構(gòu)特征類別。

拉普拉斯的表達式如下：

（1）

其中W_L和W_H是對角矩陣，分別用來平衡當前點和鄰域點間的引力和斥力，W_L設(shè)置為單位陣，V和V'分別是優(yōu)化前和優(yōu)化后的點集，L是n×n的拉普拉斯算子；

使用拉普拉斯平滑物體上突出的細小附屬部件，造成附屬部件向內(nèi)收縮，從而縮小物體尺寸，這將會對后續(xù)PCA分析造成干擾，所以對該類位于物體附加部件上的“末端點”應(yīng)設(shè)置較大的權(quán)重，判別當前點是否為“末端點”方法：位于物體邊緣或附屬部件上點p的鄰域點往往都會分布在p的一側(cè)，否則點p的鄰域點分布會比較均勻，可以通過p點最鄰近的角度的余弦值絕對值之和判斷當前點是否位于物體突出的附屬部件上，繼而設(shè)置矩陣W_H的初始值，拉普拉斯平滑是基于KNN構(gòu)建的k鄰近無向圖數(shù)據(jù)結(jié)構(gòu)進行操作的；

通過拉普拉斯平滑可以維持無向圖中點云的位置關(guān)系，是針對于無向圖的拉伸或者扭曲操作，并且平滑后點云和原始點云是可以一一對應(yīng)的；

拉普拉斯平滑后，逐點構(gòu)建協(xié)方差矩陣，如公式（2）所示：

（2）

其中p為當前待處理點，N_p是p最鄰近點集合，是N_p的中心點，C_p的特征值分別為：λ₁，λ₂，λ₃（λ₁ > λ₂ > λ₃），物體被分成“線狀”結(jié)構(gòu)，“面狀”結(jié)構(gòu)和“散亂狀”結(jié)構(gòu)，交通標牌可以看成“面狀”結(jié)構(gòu)和“線狀”結(jié)構(gòu)的組合，通過公式（3）~（5）計算當前點云的特征，通過比較每個點云三個特征的大小，找到點云歸屬的類別；

（3）

（4）

（5）

如果當前點p具有“線性”特征，即λ₁>>λ₂≈λ₃，所以F₁≈1，F₂≈0，F₃≈0；如果p具有“面狀”特征，即λ₁≈λ₂>>λ₃，所以F₁≈0，F₂≈1，F₃≈0；如果p具有散亂分布的“散亂狀”特征，即λ₁≈λ₂≈λ₃，所以F₁≈0，F₂≈0，F₃≈1。

所述的多尺度馬爾科夫隨機場點云聚類，其目的是對組成物體的單元進行合理的分塊，使得每個分割近似表示組成物體的獨立部件，一個完整的物體往往由多個不同類別的分割單元（部件）組成， 該環(huán)節(jié)設(shè)計了馬爾科夫隨機場能量方程，如公式（6）所示，利用該公式對拉普拉斯平滑后的點云實施聚類，生成分割單元，以便提取交通標牌中最重要的面狀單元，用于交通標牌類別的匹配；

由于點云密度不均勻、其他地物遮擋、掃描角度等諸多原因的限制，此時組成物體的每個部件的初次聚類結(jié)果往往會出現(xiàn)過分割，因此需基于初次分割單元結(jié)果，再次設(shè)計基于分割單元的馬爾科夫隨機場目標能量方程，對分割單元再次進行分割，實現(xiàn)部分過分割單元的合并；

馬爾科夫隨機場有效地考慮了點與點之間的鄰接關(guān)系，可以有效避免類似圖像椒鹽噪聲現(xiàn)象的發(fā)生，并且通過拉普拉斯平滑使得平面更加平滑，線狀結(jié)構(gòu)更加突出，這樣可以獲得合理的平面和線狀物體單元，然后由諸多分割單元組成完整的地物，譬如典型的交通標牌是由一個或多個橫、豎向線狀標桿及一個或多個面狀標牌組成；道路旁邊的一棵樹木往往是由線狀樹干和散亂狀樹冠兩部分構(gòu)成；

馬爾科夫隨機場能量方程設(shè)計如下：

（6）

其中，，

，

；

表示i點的法向量，L表示點云結(jié)構(gòu)特征類別的集合，l_i∈{l₁,l₂,l₃}對應(yīng)“線狀”、“面狀”和“散亂狀”目標，系數(shù)λ調(diào)節(jié)數(shù)據(jù)項和平滑項的權(quán)重，F₁，F₂，F₃定義分別參考公式（3）~（5）。

所述的交通標牌識別，針對點云聚類后組成單個物體的多個分割單元，該流程主要判別由多個分割單元組成的完整地物是否為交通標牌，如果為交通標牌，需要進一步判斷是何種類型的交通標牌，具體方法如下：

1）可通過① ~③判斷當前地物是否為交通標牌：

① 分析物體聚類后的分割單元類別的組合關(guān)系。譬如該面狀分割單元（部件）與線狀類別部件是否相鄰，若相鄰則由這些部件組成的實體為交通標牌的可能性會很大；

② 通過統(tǒng)計分析面狀單元的平均高程和線狀單元的尺寸，如果大于經(jīng)驗參數(shù)3 m（該參數(shù)通過訓(xùn)練樣本學(xué)習(xí)得到）該面狀部件則為交通標牌，而非汽車部件，線狀單元也可以判別為交通標牌的標桿；

③ 通過加入其它一些先驗或者語義來提高交通標牌的匹配和識別精度。交通標牌一般位于道路兩側(cè)或者主干路的中央。另外，組成交通標牌的標桿或標牌一般而言都依據(jù)規(guī)范，有嚴格的尺寸限制，可以將這些先驗知識綜合運用，判斷被探測物體是否為交通標牌。

2）解決探測到的交通標牌具體是何種類型：

交通標牌往往是由一個或者多個主平面構(gòu)成，因此可以在步驟（3）“多尺度馬爾科夫隨機場點云聚類方法”后，逐個遍歷每個平面單元，判斷該平面單元是否包含交通標牌，利用 RANSAC（RANdom SAmple Consensus, RANSAC）算法搜索出當前平面中最優(yōu)主平面，然后把組成該物體的所有點云投影到主平面，將三維點云轉(zhuǎn)化為二維圖像I-_source，同時事先需要建立典型交通標牌數(shù)據(jù)庫，保存典型交通標牌完整的三維點云，也同時保存完整路牌在主平面投影得到的二維柵格圖像I_destination，交通標牌類型的類型問題可轉(zhuǎn)化為圖像I-_source和I_destination的匹配問題，假設(shè)當前交通標牌數(shù)據(jù)中僅有三類標牌，如圖2所示，匹配之前，先對I_destination分塊，每塊包含一定數(shù)量的柵格（譬如，矩形標牌分成9塊，三角形標牌分成7塊，圓形標牌分成9塊），然后按照I_destination中的分塊大小逐塊在I-_source上滑動，采用公式（7）進行最優(yōu)化匹配，計算二者相似的概率；

（7）

式中s表示實際待確定的交通標牌I-_source，d表示數(shù)據(jù)庫中典型的交通標牌I_destination，c_s和c_d分別表示I-_source和I_destination圖像的中心位置，f_sⁱ，f_sⁱ分別表示I-_source和I_destination第i部分的特征，l_sⁱ和l_dⁱ分別表示I-_source和I_destination第i部分的位置，用來描述每對分塊相對中心位置之間的相似程度；描述I-_source和I_destination圖像每一對分塊特征之間的相似程度；

先采用Sift算子獲得每個柵格的特征，然后采用矢量量化的方式把這些柵格的特征構(gòu)建字典，最后把每個柵格的值用這些字典中的單詞來表示，每一塊表示成一系列單詞的集合，形成每一塊的特征；表示該位置出現(xiàn)該特征在I_destination中的概率，通過最大化公式（7）搜索到I-_source的中心位置以及最優(yōu)匹配類型。