CN103971128A - 一种面向无人驾驶车的交通标志识别方法 - Google Patents

Abstract

本发明提供一种面向无人驾驶车的交通标志识别方法，该交通标志识别方法基于凸壳算法、Hu不变矩以及横纵向直方图放缩快速匹配等算法进行交通标志识别，属于图像处理技术领域。本发明的这种种针对无人驾驶汽车的交通标志识别方法，相较于现有技术中的交通标志识别方法具有多种优势：识别范围大，且对禁令性和指示性标志进行识别，实时性好，识别准确率高，误识别率低。

Description

一种面向无人驾驶车的交通标志识别方法

技术领域

本发明属于图像处理技术领域，尤其涉及一种面向无人驾驶车的交通标志识别方法。

背景技术

随着社会的发展，汽车已经成为人类日常生活不可替代的交通工具。然而，随之而来是其带来的日益突出的安全问题。能够主动识别交通标志并且做出快速提醒或判断可以很大程度地减少交通事故的发生。

作为未来智能交通系统(ITS)的重要部分，无人驾驶汽车将在人们的生活中起到越来越重要的作用。道路交通标志识别系统作为无人车环境感知的重要部分，在智能交通系统中起到了重要作用。随着无人驾驶汽车技术的快速发展，其智能化程度不断提高，一套完整的智能交通决策系统需要知道无人车所处环境的交通标志指示信息，从而做出正确决策。

目前，基于视觉的交通标志识别技术大多针对较为理想的环境，针对复杂道路环境的高效交通标志识别技术成果相对较少。一些基于霍夫变换等算法的识别方法在识别速率上有待提高，而针对无人车这样的高速运动物体，交通标志的快速探测和识别是一个亟待解决的问题。

由此可见，高效高准确度的交通标志识别系统在智能交通系统中发挥着举足轻重的作用，而交通标志检测和识别算法则是识别系统的核心，决定了识别系统的性能，对于汽车安全驾驶以及无人驾驶汽车正确决策都有着很高的应用价值。

发明内容

为解决上述问题，本发明提供一种面向无人驾驶车的交通标志识别方法，该方法识别范围大，且对禁令性和指示性标志进行识别，实时性好，识别准确率高，误识别率低。

本发明的一种面向无人驾驶车的交通标志识别方法，其包括：

步骤1，获取安装在无人驾驶车上的车载摄像机获得的车辆前方图像，选取该车辆前方图像的上半部分作为原始识别图像；

步骤2，使用双线性插值算法将所述原始识别图像的横向分辨率和纵向分辨率均降为原来的二分之一，然后进行色彩恒常处理、色彩空间转换后遍历图像像素信息，进行色彩分割，得到红、蓝通道的信道图像，对该红、蓝通道的信道图像进行预处理后进行Laplacian变换，得到红、蓝通道的二值化图像，其中预处理包括：中值滤波、膨胀处理、腐蚀处理；

步骤3，对每一二值化图像，通过轮廓处理算法获得其所有轮廓，依次计算所有轮廓的面积，选取所有轮廓中面积在指定面积范围以内的轮廓，并依次对其进行凸壳处理，将凸壳处理后的轮廓连线成新轮廓图像，从而获得红、蓝通道的新轮廓图像；

步骤4，对每一新轮廓图像，计算其每个轮廓的面积和周长之比，通过与交通标志的面积周长比进行对比，筛除不相符的轮廓，然后计算相符的轮廓的不变矩特征值，依次计算每个相符的轮廓的不变矩特征值与交通标志的圆形不变矩特征值、方形不变矩特征值之间的欧氏距离，最后将该欧式距离与对应形状的指定距离范围比较，选择在相应指定距离范围内的轮廓作为感兴趣轮廓图像，从而获得红、蓝通道的感兴趣轮廓图像；

步骤5，对每一感兴趣轮廓图像，对应到步骤1中的原始识别图像上，根据该感兴趣轮廓图像获得该原始识别图像上的感兴趣区域，遍历模板库里的各种交通标志的标准模板，选择出与该原始识别图像上的感兴趣区域相匹配的交通标志的标准模板，从而识别出该感兴趣区域所属交通标志类型。

进一步的，所述步骤5包括：

步骤51，将原始识别图像上的感兴趣区域图像转化为灰度图像，并对该灰度图像进行高斯滤波后进行二值化处理获得感兴趣区域所对应的二值化图像；

步骤52，步骤51所获得的二值化图像的列数为n，行数为m，计算各列元索值255所占的百分比，获得n个百分比，记为数组X(n)，计算各行元素值255所占的百分比，获得m个百分比，记为数组Y(m)，使用数组X(n)和数组Y(m)作为该感兴趣区域的特征；

步骤53，将模板库里的各种交通标志的标准模板依次与所述感兴趣区域的特征进行匹配，获得该感兴趣区域与各个交通标志的标准模板的最终匹配值；

步骤54，将各个交通标志的标准模板的最终匹配值中的最小匹配值对应的模板类型作为该感兴趣区域所属交通标志类型。

进一步的，所述步骤51中的二值化处理以图像灰度平均值加上图像灰度最大最小差值的五分之一作为分割阈值进行二值化。

进一步的，所述步骤53包括：

步骤531，利用双线性插值方法和固定步长依次将各种交通标志的标准模板转化为感兴趣区域尺寸的13/10倍、12/10倍、10/10倍、12/13、11/13和10/13倍；

步骤532，每次变换尺寸后所得二值化图像的行数为a，列数为b，按照步骤52的方式获取其对应的特征，该特征表示为数组A(a)和数组B(b)，选择步长step＝(m-a)/3：

当step＝0时，X(n)与A(a)匹配：利用A(a)在X(n)上从X(1)开始到X(a)匹配，计算X(n)与A(a)的平均协方差并取最小值作为横向直方图匹配结果，而当step≠0时，则将A(a)按步长在X(n)上移动进行计算各次的平均协方差并取最小值作为横向直方图匹配结果；

当step＝0时，Y(m)与B(b)匹配：利用B(b)在Y(m)上从Y(1)开始到Y(b)匹配，计算Y(m)与B(b)的平均协方差并取最小值作为纵向直方图匹配结果，而当step≠0时，则将B(b)按步长在Y(m)上移动进行计算各次的平均协方差并取最小值作为纵向直方图匹配结果；

步骤533，将横向直方图匹配结果与纵向直方图匹配结果的平均值作为该次尺寸变换的最终匹配结果；

步骤534，按照步骤532和步骤533的方法依次获得各次尺寸变换的最终匹配结果，将各次尺寸变换的最终匹配结果中的最小值作为该感兴趣区域与该交通标志的标准模板的最终匹配值；

步骤535，按照步骤534的方法依次获得该感兴趣区域与各个交通标志的标准模板的最终匹配值。

本发明的有益效果在于：

1.采用该种方法交通标志识别效率高，适用于高速运行的无人车辆平台。

由于本方法服务于无人车辆平台，因此对识别速率要求较高，如：无人车以40公里/小时速度前进，前方距离10米的交通标志在识别速率为10帧/秒的情况下可以保证无人车在开过交通标志前进行10次判断，然后通过综合这10次结果，则识别稳定性将大幅度提高。如果识别速率为1帧/秒，则只能识别一次，稳定性相对很差。

本方法之所以识别速率较快，原因在于通过边缘轮廓提取将图像问题转化为轮廓问题，然后再通过层层筛选和凸壳处理在筛选，大大减少干扰信息，对很少一部分区域进行图像识别，识别速率得到了很大的提高。且针对标志识别部分，通过降低图像信息维度，也提高了识别速度。

2采用该种方法通过降低图像分辨率分割图像，选择出交通标志的感兴趣区域，再返回高分辨率进行精确识别，可以提高识别速率，并且保证识别的精确性。

针对图像预处理及标志检测，我们只是针对轮廓的边缘信息进行识别，可以在较低分辨率条件下进行，因此我们降低图像分辨率，提高预处理速度，之后通过筛选，选择出标志可能的位置，再返回高分辨率图中，针对轮廓内很小的图像进行识别，这样既保证了感兴趣(标志检测获得的区域)区域内细节信息丰富，有提高了获取感兴趣区域的速度。

3采用Hu不变矩方法进行圆形和方形识别，可以处理交通标志因视角不同而造成的一定变形问题。

由于Hu不变矩具有旋转平移不变的特性，因此，旋转不变矩作为特征，可以处理因为旋转平移造成的特征变化的问题。并上，Hu不变矩包含形状的特征信息丰富，圆形、方形的不变矩特征与其他形状区别很大，容易分类。

4采用凸壳算法可以处理一定的遮挡问题，并且通过忽略细节，对轮廓模糊化，可以提高识别的鲁棒性。

由于遮挡问题，会造成交通标志边缘的缺少，比如有些树叶的遮挡，可能使一个圆形交通标志边缘不是一个完整的圆形，通过凸壳处理，可以将缺失的部分弥补起来，从而处理一定的遮挡问题。同时，由于我们之后利用不变矩进行处理，不变矩的前几个参数主要侧重于轮廓整体形状，我们通过凸壳处理，可以忽略边缘的的细节部分，从而增加特征值的稳定性。

附图说明

图1为本发明的面向无人驾驶车的交通标志识别方法中的整体识别流程图；

图2为本发明的面向无人驾驶车的交通标志识别方法中的原始识别图像；

图3为本发明的面向无人驾驶车的交通标志识别方法中的色彩分割后的红蓝通道的二值化图像；

图4为本发明的面向无人驾驶车的交通标志识别方法中的提取轮廓后的图像以及凸壳算法处理后的图像；

图5为本发明的面向无人驾驶车的交通标志识别方法中的感兴趣区域以及与之对应的模板示意图；

图6为本发明的面向无人驾驶车的交通标志识别方法中的横纵向直方图放缩最优匹配算法示意图；

图7为本发明的面向无人驾驶车的交通标志识别方法的识别结果示意图。

具体实施方式

图1为本发明的面向无人驾驶车的交通标志识别方法中的整体识别流程图。如图1所示，本发明的面向无人驾驶车的交通标志识别方法包括以下几个步骤：

步骤一：获取安装在无人驾驶车上的车载摄像机获得的车辆前方图像，选取该车辆前方图像的上半部分作为原始识别图像；

步骤二：对步骤一中获得的图像进行预处理，分割出红，黄，蓝通道的三幅二值化图像：

(201)使用双线性插值算法将原始图像横向，纵向分辨率各降为原来二分之一，即图像分辨率降为原来四分之一，以加速寻找感兴趣区域。

(202)对步骤(201)所得图像进行色彩恒常处理：具体从步骤一所获图像分离出R，G，B三通道灰度图像，对各个灰度图像进行直方图均衡化，然后再将三幅灰度图像融合为新的RGB图像；

(203)将步骤(202)所获RGB空间图像转换为HSV空间图像并分割出H，S，V三通道灰度图像，获得其相应矩阵，同时将RGB空间图像转化为Lab空间图像并分割出a，b两通道灰度图像，获得其相应矩阵；

(204)遍历整幅图像像素信息，进行色彩分割：具体是根据各个像素点位置的H，S，V，a，b值信息决策出该像索点是否属于红，黄，蓝三种颜色，若属于红色，则将红色通道图像(初始化时构建的与原始图像格式相同的新图像)中相应像素点置为(255，255，255)，若不属于红色，则置为(0，0，0)，同理，经过遍历我们可以获得蓝色，黄色通道图像(分别只包含蓝色信息和黄色信息)，同时，我们分割出来V通道，作为黑色通道，用于解除限速检测通道，其标志检测方法与红，蓝，黄通道一样，不过平时并不开启，一旦识别结果中出现了限速标志，则开启解除限速标志识别程序，这样可以减少CPU运算量，针对解除限速方法，我们不做单独讲解了，还是以红，蓝，黄通道为例。

(205)分别对红，蓝，黄三幅已分割图像进行进一步处理，具体为(以红色通道图像为例)：对(204)步所获得红色通道图像进行中值滤波，去除噪点，之后对其先进行膨胀处理，再进行腐蚀处理，而针对蓝色通道，考虑其标志特征以及我们之后使用凸壳算法，因此对其进行两次腐蚀处理。之后获得处理后图像，进行Laplacian变换，获得二值化图像。

步骤三：利用步骤二获得的三通道相应的二值化图像，以红色通道二值化图像为例，通过轮廓处理算法，获得红色图像中所有外层轮廓，计算各个外层轮廓的面积，如果在我们指定范围内，则对该轮廓进行凸壳处理，将凸壳处理后的轮廓放入序列，待处理完所有轮廓，将序列中处理后的轮廓通过连线方式，画在新图像中，这样就获得了相应的凸壳算法处理后的轮廓图像，此图像中轮廓信息相对未经过面积筛选以及凸壳处理的轮廓图像而言，干扰信息大量减少，同理，对黄色，蓝色二值化图像进行同样处理，我们可以获得三幅新的干扰信息较少的轮廓图像；

步骤四：接下来我们对步骤三所获得的三幅轮廓图像进行圆形，方形检测(三角形暂时效果不明显，本专利仅对红色、蓝色通道进行处理)，考虑到我国的标志类型，红色通道轮廓我们只进行圆形检测，而蓝色通道轮廓我们进行方形和圆形检测，具体为：

(401)初筛选，计算每个轮廓的面积和周长，然后计算其面积周长比，而圆形，方形的面积周长比是一个定值，我们利用这一特征，可以筛除一些不合格的轮廓；

(402)细筛选，通过(401)筛选出的轮廓，我们计算其7个Hu不变矩特征值，然后通过计算其与圆形，方形不变矩特征值模板之间的加权平均协方差获得它们的相关性，满足相关条件阈值的轮廓则是我们筛选出来的标志轮廓。然后获得筛选出来的轮廓的中心坐标和最大半径(计算中心坐标到各个轮廓边缘的距离取最大值)；

步骤五：根据获得的感兴趣轮廓的中心以及最大半径，返回原始图像(步骤一获得的原始图像)，根据寻找轮廓所用图像相对原始图像的尺寸关系(降为原始图像的四分之一)，结合轮廓最大半径，在原始图像中选出合适的感兴趣区域，并圈出显示，然后判断该区域颜色成分，进一步筛选(筛选方法在后面补充介绍步骤三中介绍)，筛选后，对于红色通道提取的轮廓在原始图像所圈感兴趣区域，将使之与禁令标志模板进行匹配。同理，对于蓝色通道中提取的轮廓在原始图像中所圈感兴趣区域，将使之与指示性标志模板进行匹配，黄色通道则对应我国黄色交通标志模板，接下来步骤则介绍如何进行模板匹配，识别出感兴趣区域所属交通标志类型；

步骤六：我们建立一个模板库，包含指示性以及禁令性各种模板，在程序运行初始化中将模板信息存入内存。对于步骤五中获得的感兴趣区域，我们采用模板放缩与之匹配取最优的方法识别其与各个模板的相关性，从而识别该标志内容。具体步骤为：

(601)对感兴趣区域图像进行预处理及二值化：将图像转换为HSV空间中，分离出V通道值，获得V通道值对应矩阵，矩阵每个元素平方获得新矩阵，通过减去元素最小值，除以最大值与最小值的差值，然后乘以255的方法，将矩阵所有元素范围规范化到0到255之间，然后将该矩阵转化为灰度图像，再对该灰度图像进行高斯滤波获得新的待分割灰度图像。然后选择阈值(本方法选择图像灰度平均值加上图像灰度最大最小差值的五分之一作为分割阈值)对该灰度图像进行二值化，获得感兴趣区域所对应的二值化图像；

(602)根据步骤(601)所获得的二值化图像(n×m)，即列数为n，行数为m分别计算其X方向各列元素值255所占的百分比，获得n个百分比，记为数组X(n)，计算其Y方法各行元素值255所占的百分比，获得m个百分比，记为数组Y(m)，使用这两组信息作为该感兴趣区域内容的特征；

(603)各个模板依次与步骤(602)所得二值化图像特征进行匹配，具体为：利用双线性插值方法，采用固定步长，依次将模板转化为步骤五所得感兴趣区域尺寸的13/10倍，12/10倍，10/10倍，…，10/13倍，每次尺寸变换后将采取(6011)至(6012)的方法进行匹配：

(6011)变换尺寸后所得二值化图像为(a×b)，即列数为a、行数为b，同(602)方法一样，获得其对应的特征值数组A(a)和B(b)；

(6012)因为模板尺寸是从感兴趣区域尺寸的1倍向小的方向变化，所以这里a，b的值必然小于等于m，n。选择步长step＝(m-a)/3，当step＝0时，我们直接进行X(n)与A(a)匹配，即利用A(a)在X(n)上从n＝1开始到n＝a匹配，计算两者的平均协方差，而当step≠0时，我们则将A(a)按步长在X(n)上移动进行计算各次的协方差并取最小值作为列直方图匹配结果。同理，对于Y(m)与B(b)采用同样方法，获得最小协方差作为行直方图匹配结果，然后两者平均值则作为该次尺寸变换的匹配结果。

(604)按照步骤(6011)到(6012)的方法，每次尺寸变换都会获得一个最终匹配结果，最后我们再取各次尺寸变换匹配结果的最小值作为该感兴趣区域与该模板的最终匹配值；

(605)根据以上步骤，可以获得该感兴趣与各个模板的匹配值，然后比较各个匹配值，选择具有最小匹配值(即相关性最大)的模板类型作为该感兴趣区域所表示交通标志类型；

步骤七：根据以上步骤，可以获得交通标志在原图像中的位置和尺寸，以及识别出交通标志所属的类型，然后我们通过以太网通信(UDP协议)，将感知信息发送给上位机，用于无人驾驶汽车的顶层决策。

实施例一

采用该方法进行交通标志检测的具体步骤为：

步骤一：安装在车辆前方的灰点公司的广角摄像头。本实施例中，车载摄像机所获得图像的像素是2736×2192，颜色模式为RGB，全景图像所采用的坐标系是球面坐标系。根据其安装部位选择图像中心的上半部分作为待识别区域，如图2所示。

步骤二：色彩分割，然后采取滤波，膨胀，腐蚀等处理方法，然后再根据轮廓面积等条件，逐渐筛选合适的轮廓，最终得到交通标志所对应的轮廓，如图3到图4所示。图3中：

上：待识别区域原图，下左：红色通道，下右：蓝色通道。

图4中：

左上：红色通道轮廓，右上：蓝色通道轮廓，左下：红色通道凸壳及筛选后轮廓，右下：蓝色通道凸壳及筛选后轮廓。

步骤三：对抠选出来的图像进行模板匹配：

当选择出来合适的区域，我们首先判断区域内部蓝色，红色所占百分比，对于禁令性标志，我们认为，红色成分不能超过35％，一旦超过35％，我们将其当作错误目标，则不对其进行进一步识别，而对于指示性标志，我们则判断其内部蓝色成分，若少于30％或者超过85％，我们则认为其为错误目标。如图5中(6)，通过我们色彩分成筛选，则被剔除。这样我们对之前筛选出来的感兴趣区域再经过一次颜色成分的筛选。若满足，我们则进行下一步的模板匹配。

图5中：(1)，(2)，(3)左为原图中抠出的感兴趣图像示意图，(4)，(3)右为原图感兴趣图像处理后示意图，(5)为模板库图像示意图。

如图5所示，为抠出来的感兴趣区域，因为有变形或者抠选区域选择并不是绝对准确，因此我们采取模板放缩，分别对横纵向直方图进行匹配，如图6所示。我们首先获得抠选出来图像的直方图信息，如图6中(1)(2)所示，为抠选出来图像对应的横纵向直方图变化情况，其中，横坐标为分别行数(对于(1))，列数(对于(2))，纵坐标则为白色像素点所占百分比。而图6中(4)则是当前与之匹配的模板，我们将模板尺寸从原图抠出图像大小的13/10逐步缩小到其10/13，获得直方图分布，如(5)为13/10时对应的分布情况，(6)为10/10时对应的分布情况，(7)为10/13时对应的分布情况，我们可以看出，其横坐标逐渐变窄，但是图像走向很相似。每次变换我们采用说明书前面步骤六所述，获得各个放缩情况的匹配结果。这种方法，主要是为了解决原图感兴趣区域抠选不准确的问题，当我们抠选区域偏大时，(1)中边缘必然包含非标志信息，此时，我们模板相对原图偏小尺寸时，如(5)在(1)中按步长移动匹配取最优，可以消除边缘非标志信息的影响；反之，当我们抠选区域偏小时，(1)中必然缺少了一部分标志信息，本例子中，可以看出(1)中则是缺少了右下角的信息，这时，(1)在(7)中按步长移动匹配取最优，我们可以发现，(1)中全部信息与(7)中一部分信息十分匹配，这样，我们可以在模板中剔除那些因抠取原图不准确而丢失的信息，这样，(1)与(7)匹配结果必然准确。通过我们的横纵向直方图放缩匹配方法，我们对各个模板与当前抠选区域进行匹配，获得各个匹配结果，具有最优匹配的则是我们最终识别的结果。

步骤四：对连续识别结果进行滤波，我们这里采用惯性滤波方法，该滤波表达式为：

END＝(END*2+Result*1000)/5

Result为某种交通标志识别结果，在识别到该交通标志，则置为1，否则为0，这样，当END超过一定值则认为该交通标志出现，通过以太网将信息发送给上位机。

采用该种方法交通标志识别效率高，适用于高速运行的无人车辆平台。如图7所示，图7为本发明的面向无人驾驶车的交通标志识别方法的识别结果示意图。

当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (4)

1.一种面向无人驾驶车的交通标志识别方法，其特征在于，包括：

步骤1，获取安装在无人驾驶车上的车载摄像机获得的车辆前方图像，选取该车辆前方图像的上半部分作为原始识别图像；

步骤2，使用双线性插值算法将所述原始识别图像的横向分辨率和纵向分辨率均降为原来的二分之一，然后进行色彩恒常处理、色彩空间转换后遍历图像像素信息，进行色彩分割，得到红、蓝通道的信道图像，对该红、蓝通道的信道图像进行预处理后进行Laplacian变换，得到红、蓝通道的二值化图像，其中预处理包括：中值滤波、膨胀处理、腐蚀处理；

步骤3，对每一二值化图像，通过轮廓处理算法获得其所有轮廓，依次计算所有轮廓的面积，选取所有轮廓中面积在指定面积范围以内的轮廓，并依次对其进行凸壳处理，将凸壳处理后的轮廓连线成新轮廓图像，从而获得红、蓝通道的新轮廓图像；

步骤4，对每一新轮廓图像，计算其每个轮廓的面积和周长之比，通过与交通标志的面积周长比进行对比，筛除不相符的轮廓，然后计算相符的轮廓的不变矩特征值，依次计算每个相符的轮廓的不变矩特征值与交通标志的圆形不变矩特征值、方形不变矩特征值之间的欧氏距离，最后将该欧式距离与对应形状的指定距离范围比较，选择在相应指定距离范围内的轮廓作为感兴趣轮廓图像，从而获得红、蓝通道的感兴趣轮廓图像；

步骤5，对每一感兴趣轮廓图像，对应到步骤1中的原始识别图像上，根据该感兴趣轮廓图像获得该原始识别图像上的感兴趣区域，遍历模板库里的各种交通标志的标准模板，选择出与该原始识别图像上的感兴趣区域相匹配的交通标志的标准模板，从而识别出该感兴趣区域所属交通标志类型。

2.如权利要求1所述的面向无人驾驶车的交通标志识别方法，其特征在于，所述步骤5包括：

步骤51，将原始识别图像上的感兴趣区域图像转化为灰度图像，并对该灰度图像进行高斯滤波后进行二值化处理获得感兴趣区域所对应的二值化图像；

步骤52，步骤51所获得的二值化图像的列数为n，行数为m，计算各列元素值255所占的百分比，获得n个百分比，记为数组X(n)，计算各行元素值255所占的百分比，获得m个百分比，记为数组Y(m)，使用数组X(n)和数组Y(m)作为该感兴趣区域的特征；

步骤53，将模板库里的各种交通标志的标准模板依次与所述感兴趣区域的特征进行匹配，获得该感兴趣区域与各个交通标志的标准模板的最终匹配值；

步骤54，将各个交通标志的标准模板的最终匹配值中的最小匹配值对应的模板类型作为该感兴趣区域所属交通标志类型。

3.如权利要求2所述的面向无人驾驶车的交通标志识别方法，其特征在于，

所述步骤51中的二值化处理以图像灰度平均值加上图像灰度最大最小差值的五分之一作为分割阈值进行二值化。

4.如权利要求2所述的面向无人驾驶车的交通标志识别方法，其特征在于，所述步骤53包括：

步骤531，利用双线性插值方法和固定步长依次将各种交通标志的标准模板转化为感兴趣区域尺寸的13/10倍、12/10倍、10/10倍、12/13、11/13和10/13倍；

步骤532，每次变换尺寸后所得二值化图像的行数为a，列数为b，按照步骤52的方式获取其对应的特征，该特征表示为数组A(a)和数组B(b)，选择步长step＝(m-a)/3：

当step＝0时，X(n)与A(a)匹配：利用A(a)在X(n)上从X(1)开始到X(a)匹配，计算X(n)与A(a)的平均协方差并取最小值作为横向直方图匹配结果，而当step≠0时，则将A(a)按步长在X(n)上移动进行计算各次的平均协方差并取最小值作为横向直方图匹配结果；

当step＝0时，Y(m)与B(b)匹配：利用B(b)在Y(m)上从Y(1)开始到Y(b)匹配，计算Y(m)与B(b)的平均协方差并取最小值作为纵向直方图匹配结果，而当step≠0时，则将B(b)按步长在Y(m)上移动进行计算各次的平均协方差并取最小值作为纵向直方图匹配结果；

步骤533，将横向直方图匹配结果与纵向直方图匹配结果的平均值作为该次尺寸变换的最终匹配结果；

步骤534，按照步骤532和步骤533的方法依次获得各次尺寸变换的最终匹配结果，将各次尺寸变换的最终匹配结果中的最小值作为该感兴趣区域与该交通标志的标准模板的最终匹配值；

步骤535，按照步骤534的方法依次获得该感兴趣区域与各个交通标志的标准模板的最终匹配值。