目录
1.前言
2.算法测试效果图预览
2.1 系统仿真参数
2.2 系统仿真结果
3.算法运行软件版本
4.算法理论概述
4.1 MSER核心原理
4.2 MSER分割步骤
1.图像预处理灰度化
2.极值区域逐层生成
3.稳定度计算与初筛
4.区域几何约束过滤
5.候选区域裁剪输出
4.3 HOG核心原理
4.4 SVM支持向量机分类器
4.5 算法整体步骤
1.数据集构建
2.SVM模型参数寻优
3.多分类SVM训练
4.在线识别推理
5.算法完整程序工程
1.前言
交通标志具有色彩集中、边缘轮廓规整、区域灰度稳定、几何形状固定等显著特征，传统全局阈值分割易受光照、遮挡、阴影干扰，单纯轮廓检测易产生大量冗余候选区域。本算法采用多级分层识别架构：第一层利用MSER极值稳定区域完成交通标志候选区域分割定位，从复杂道路图像中筛除路面、植被、建筑等无关背景；第二层对截取的候选标志区域进行HOG梯度方向特征提取，将图像像素矩阵转化为具备光照不变性、几何鲁棒性的高维特征向量；第三层以提取的 HOG 特征作为输入，训练线性SVM分类器完成交通标志多类别识别。三者形成 “区域定位 — 特征表征 — 分类判别” 完整链路，MSER解决目标提取难题，HOG实现高效特征编码，SVM完成小样本高精度分类，适配户外复杂路况下交通标志识别需求。
2.算法测试效果图预览
2.1 系统仿真参数
%读取测试图片
SCALE = 1;
Smj = 1500;
figure;
imshow(I);
%MSER交通标志提取
[R,C,K] = size(I);
I1 = zeros(R,C);
for i = 1:Rfor j = 1:CR=double(I(i,j,1));G=double(I(i,j,2));B=double(I(i,j,3));%公式1，但是论文中的公式1并不适用于所有的测试样本，一些效果不好的，我删除掉了I1(i,j) = (255*max([R/(R+G+B),B/(R+G+B)]));end
end
2.2 系统仿真结果
3.算法运行软件版本
matlab2024B
4.算法理论概述
4.1 MSER核心原理
MSER全称Maximally Stable Extremal Regions，即最大稳定极值区域，核心逻辑为：灰度图像二值化阈值连续变化时，灰度极大/极小连通区域的面积变化率达到极小值，该区域即为极值稳定区域。交通标志底色多为纯色（红、黄、蓝），区域内部灰度均匀，与背景灰度差值明显，在阈值滑动过程中区域面积不会剧烈膨胀或收缩，天然满足MSER稳定条件，可精准框选出标志候选框。
V(t)数值越小，代表阈值微小变化时区域面积波动越小，区域稳定性越强。遍历全部灰度阈值计算V(t)，筛选满足V(t)<Vth（Vth为人工设定稳定度阈值）的连通区域，即为MSER候选区域。
4.2 MSER分割步骤
1.图像预处理灰度化
彩色道路图像包含RGB三通道，MSER仅支持单通道灰度运算，采用加权灰度转换公式消除色彩冗余：
I(x,y)=0.299R(x,y)+0.587G(x,y)+0.114B(x,y)
RGB分别为像素三通道灰度值，加权系数匹配人眼视觉灰度感知特性。
2.极值区域逐层生成
采用洪水填充算法，从最低灰度阈值t=0至t=255逐层膨胀连通区域，记录每一层阈值对应连通区域的像素面积S(t)。
3.稳定度计算与初筛
代入稳定度公式V(t)，过滤稳定度超过阈值的剧烈变化区域，保留初步稳定连通域。
4.区域几何约束过滤
道路图像中天空光斑、路牌文字块也会生成MSER区域，通过几何约束剔除干扰：计算区域外接矩形长宽比r=HRWR，交通标志长宽比趋近 1，设置0.3<r<3；同时限定区域像素面积Smin<S(t)<Smax，剔除过小噪点与大面积背景色块。
5.候选区域裁剪输出
对筛选后 MSER 区域提取外接矩形坐标(xmin,ymin,xmax,ymax)，从原图裁剪对应子图像，统一缩放至固定尺寸64×64，作为后续HOG特征提取输入样本。
4.3 HOG核心原理
HOG（Histogram of Oriented Gradients）梯度方向直方图核心思想：局部目标外形可由像素梯度幅值与梯度方向分布表征，将图像分块统计梯度方向直方图，组合形成全局特征向量。HOG具备光照不变性，全局明暗变化仅同步缩放梯度幅值，不改变梯度方向分布，完美适配逆光、阴影、曝光不均的道路图像；同时分块归一化操作弱化局部形变干扰，适配轻微倾斜、缩放的交通标志。
4.4 SVM支持向量机分类器
交通标志数据集属于小样本、高维特征分类场景，HOG输出数千维特征易产生维度灾难，传统神经网络易过拟合；SVM基于间隔最大化理论，在高维空间构建最优分离超平面，通过核函数实现非线性分类，泛化能力强，适配多类别交通标志识别。算法选用线性核 SVM，兼顾训练速度与分类精度。
4.5 算法整体步骤
1.数据集构建
采集道路交通标志图像，经MSER分割、HOG提取得到特征向量，划分训练集与测试集，为每类标志分配独立数字标签。
2.SVM模型参数寻优
采用网格搜索遍历惩罚系数C取值，以测试集识别准确率为评价指标，确定最优C值。
3.多分类SVM训练
基于一对多策略，循环训练每一类对应的二分类 SVM，保存全部模型的支持向量、拉格朗日乘子与偏置b。
4.在线识别推理
对输入道路图像完成MSER分割、HOG特征提取，将特征向量输入全部训练完成的SVM模型，计算各模型判别函数f(x)，输出函数值最大的类别为交通标志识别结果。