摘  要： 采用属性轮方法建立交通标志的定性映射模型，利用此模型结合转化程度函数，对交通标志进行识别。实验结果表明，定性映射在交通标志识别领域具有一定的应用价值。
关键词： 定性映射；转化程度函数；轮廓特征

　交通标志识别作为智能交通系统的重要组成部分[1]，20世纪80年代首先在发达国家兴起，目前国内外有关交通标志识别的研究很多都涉及到基于神经网络、模板匹配、颜色匹配等方法。本文针对交通标志的识别环节，首次利用定性映射之差定义的小波[2]，提取图像轮廓特征向量，建立交通指示标志的定性映射模型，利用定性映射与转化程度函数对其进行模糊识别。
1 系统处理流程
　交通标志的识别流程如图1所示。本文所要构建的交通标志识别的定性映射模型，首先是对图像进行预处理，得到形状特征向量，通过不断学习，建立6种指示标志的定性映射模型。识别过程中，通过定性映射模型和转化程度函数，找出待识别标志所属类型或最接近类型。

2 属性论方法识别交通标志
　事物只有通过属性才能反映其自身，以及和其他事物之间的关系，所以属性是人们区别不同事物的标志或基准。交通指示标志有其自身的形状特征属性[5]，通过定性映射模型和转化程度函数就能找到与之对应的类型。

　本文以6种交通标志为例，首先对6种指示标志的学习样本图像网格化，统计每幅图像对应每个小网格中像素值为0的个数xij（j=1，2，3…81），通过对学习样本的不断学习，就可以建立指示标志对应的形状特征向量xi=（xi1，xi2…xi81），向量中各元素xij的基准为[αj，βj]。利用属性论中定性映射的相关知识，建立6种指示标志的形状特征的定性映射模型[6]。

　本文利用属性论中定性映射与定性基准变换的相关知识建立交通指示标志的定性映射模型，并结合转化程度函数对交通指示标志进行模糊识别。并用BP神经网络的方法做了对比，实验证明了这种模型的合理性、有效性。今后可在下述方面进行一些研究：（1）由于本文的实验对象主要是针对标准图或者出现某种局部损伤的图像，今后可以在实景图中进行交通标志的识别；（2）对已实现的算法做进一步的优化工作，争取达到更好的结果；（3）本文所提出的交通标志识别还有待于在实践中不断完善和改进。
参考文献
[1] 方敏，李福才.流行学习在交通标志识别中的应用研究[D].西安：西安电子科技大学，2010.
[2] 冯嘉礼.思维与智能科学中的性质论方法[M].北京：原子能出版社，1990.
[3] 冯嘉礼.感知和判断中的基准变换及其性质坐标分析法[J].广西科学，1994，1（4）：6-13.
[4] 李文佩.基于定型映射和转化程度函数的汉字识别[D].上海：上海海事大学，2004.
[5] Feng Jiali. Attribute network computing based on qualitative mapping and its application in pattern recognition[J]. Journal of Intelligent and Fuzzy System， 2008（19）：243-258.
[6] Feng Jiali. Qualitative mapping model of pattern recognition， rough sets and knowledge technology[R]. LNAI  5009， Spriger：636-643
[7] 冯嘉礼.定性映射、基准变换、转化程度函数、人工神经元和集合模糊化[J].模糊数学与系统，2004（18）：53-56.
[8] 周岩炎，冯嘉礼，基于定性映射的数字音频水印算法[J].广西示范大学学报，2011，29.