萬(wàn) 劍 趙 愷 王維鋒

（1.江蘇省交通規(guī)劃設(shè)計(jì)院股份有限公司 南京 210005；2.武漢理工大學(xué)智能交通系統(tǒng)研究中心 武漢 430063）

0 引言

運(yùn)用圖像模式識(shí)別技術(shù)進(jìn)行濕滑路面判別已成為不利天氣下道路交通安全保障技術(shù)研究熱點(diǎn)［1－2］。國(guó)內(nèi)外學(xué)者對(duì)此已有部分成果：Kuehnle Andrea等［2］利用路面圖像灰度的統(tǒng)計(jì)特征作為路面狀況分類器的輸入，設(shè)計(jì)了神經(jīng)網(wǎng)絡(luò)路況分類器識(shí)別路面干、濕、結(jié)冰等狀況。劉新宇、黃德啟［3］通過(guò)采集道路濕滑圖像，利用設(shè)計(jì)的具體SVM 分類器結(jié)合3種訓(xùn)練算法對(duì)道路濕滑圖像進(jìn)行分類學(xué)習(xí)訓(xùn)練，對(duì)道路濕滑狀態(tài)進(jìn)行分類研究。王維鋒、初秀民［4］等提出利用D－S證據(jù)理論和人工神經(jīng)網(wǎng)絡(luò)方法對(duì)不利天氣下的交通運(yùn)行狀況等級(jí)進(jìn)行識(shí)別與預(yù)測(cè)。

上述研究均處于理論探索階段，道路濕滑圖像判別方法的效率和穩(wěn)定性均不能滿足應(yīng)用需要。如何建立圖像模式識(shí)別的分類模型，利用有限的道路濕滑圖像樣本特征，設(shè)計(jì)高效、泛化性好的路況圖像識(shí)別分類器是當(dāng)前研究的核心問(wèn)題。

1 基于圖像模式識(shí)別的道路濕滑判別思路

1.1 基于圖像模式識(shí)別的分類模型的建立

圖像模式識(shí)別系統(tǒng)由2個(gè)過(guò)程所組成，即設(shè)計(jì)和實(shí)現(xiàn)。設(shè)計(jì)是指用一定數(shù)量的樣本（訓(xùn)練集或?qū)W習(xí)集）進(jìn)行分類器設(shè)計(jì)。實(shí)現(xiàn)是用所設(shè)計(jì)的分類器對(duì)待識(shí)別的樣本進(jìn)行分類決策。本文設(shè)計(jì)的基于圖像模式識(shí)別的分類模型如圖1所示，分類器的設(shè)計(jì)和未知模式的分類，決定了分類的效果。在分類模型中，分類器的特征選擇和分類器的設(shè)計(jì)尤為重要。

圖1 基于圖像模式識(shí)別的分類模型Fig.1 Classification model based on image pattern recognition

1.2 道路濕滑圖像特征的選擇

特征選擇的目的是從1 組數(shù)量為D的特征中選擇出數(shù)量為d（d＜D）的1組最優(yōu)特征解，從而達(dá)到特征擇優(yōu)的目的。研究表明，樣本的質(zhì)量和數(shù)量很大程度上影響了分類的準(zhǔn)確性、效率及泛化性能。選擇適當(dāng)?shù)膱D像內(nèi)容特征和圖像的空時(shí)表達(dá)特征，提取有效的特征分量，為分類器提供依據(jù)是道路濕滑圖像判別的第1步。本文提取道路圖像灰度統(tǒng)計(jì)特征、形狀特征、紋理特征，通過(guò)J判據(jù)選擇具有代表性的特征作為分類最優(yōu)特征。

1.3 神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)

神經(jīng)網(wǎng)絡(luò)用于模擬人類神經(jīng)元的復(fù)雜分類功能，通過(guò)輸入和輸出建立“黑匣子”分類器，用于實(shí)現(xiàn)不同路面的識(shí)別。神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計(jì)包括建立分類器的邏輯結(jié)構(gòu)和分類規(guī)則的數(shù)學(xué)模型，即判別過(guò)程，判別函數(shù)、訓(xùn)練函數(shù)以及網(wǎng)絡(luò)層數(shù)。根據(jù)道路濕滑圖像的訓(xùn)練樣本將測(cè)量空間劃分為互不重疊的區(qū)域（決策域）。如果未知樣本對(duì)象的特征值落在某一域中，就將對(duì)像歸入對(duì)應(yīng)的類別中，從而對(duì)道路的濕滑類別進(jìn)行判定。由于本文實(shí)驗(yàn)中道路濕滑圖像樣本數(shù)和特征數(shù)量較多，采用在逼近能力、分類能力和學(xué)習(xí)速度較優(yōu)的徑向基神經(jīng)網(wǎng)絡(luò)（RBF）作為分類器。

2 道路濕滑圖像特征描述

本文采集8種不同狀況的濕滑路面，包括：干燥路面、潮濕路面、水膜路面、淤泥路面、冰雪路面、松雪路面、積雪路面、水冰路面，進(jìn)行分類判別，見(jiàn)圖2。

圖2 不同狀況的濕滑路面Fig.2 Slippery road under different conditions

2.1 灰度特征

選用灰度統(tǒng)計(jì)特征來(lái)描述道路圖像的顏色特性。圖像像素灰度的均值等主要反映了圖像中像素的集中趨勢(shì)，圖像像素灰度的方差和標(biāo)準(zhǔn)差主要反映了圖像中像素的離中趨勢(shì)，圖像的熵主要反映了圖像中平均信息量的多少，圖像的一維熵表示圖像中灰度分布的聚集特征所包含的信息量，二維熵不僅可以表述其信息量，而且能反映圖像灰度分布的空間特征。如圖3所示，圖像像素灰度的方差和標(biāo)準(zhǔn)差主要反映了圖像中像素的離散趨勢(shì)。

圖3 8種路面（各125幅）灰度方差值統(tǒng)計(jì)散點(diǎn)圖Fig.3 Grayscale variance statistical scatter plot of 8roads（125each）

2.2 形狀特征

在基于區(qū)域的物體形狀表示的矩描述方法中，最常用最有效的矩描述方法是由Hu［5］提出的形狀不變矩。hu形狀不變矩是對(duì)圖像的1種統(tǒng)計(jì)形式，它的計(jì)算要用到圖像或區(qū)域中所有相關(guān)的像素點(diǎn)。本實(shí)驗(yàn)中2階hu矩統(tǒng)計(jì)結(jié)果見(jiàn)圖4：

圖4 各種路面的2階hu矩統(tǒng)計(jì)散點(diǎn)圖Fig.4 Two order matrix hu statistical scatter plot of different roads

2.3 紋理特征

紋理特征是1種全局特征，它也是1種物體圖像表面的特性。和顏色特征不同，紋理特征不是基于像素點(diǎn)的特征，它是多個(gè)像素區(qū)域進(jìn)行統(tǒng)計(jì)，因此，紋理除了描述局部的不規(guī)則性還能表達(dá)宏觀的規(guī)律性。

圖5 各種路面的Gabor紋理特征統(tǒng)計(jì)散點(diǎn)圖Fig.5 Gabor Texture features statistical scatter plot of different roads

3 基于J判據(jù)的高維道路特征集優(yōu)化

將上節(jié)中各類特征歸一化后的值作為新的特征，選取它們的方差作為衡量值，根據(jù)J判據(jù)求最優(yōu)特征解。判據(jù)J選用可分離的類內(nèi)距離最小類間距離最大原則，J越小則解越優(yōu)，J判據(jù)表達(dá)式為

式中：Xi和Xj分別為第i和j 個(gè)特征，為其標(biāo)準(zhǔn)差。

實(shí)驗(yàn)用50個(gè)隨機(jī)圖像樣本的均值、方差、標(biāo)準(zhǔn)差、熵等來(lái)描述灰度統(tǒng)計(jì)特征，用邊界方向直方圖、Hough變換特征、代數(shù)矩、參數(shù)曲線距離、hu矩等來(lái)描述形狀特征，用灰度共生矩陣、灰度－梯度共生矩陣、Fourier功率譜、Gabor紋理特征等表達(dá)圖像紋理特征，并用這些特征組成特征空間，結(jié)合Tabu搜索算法，根據(jù)J判據(jù)在從眾多的圖像特征集中搜索最優(yōu)的1 組特征。算法中利用Tabu搜索表記錄的是近期中所搜索過(guò)的性能較優(yōu)的解，并且每1次新的候選解集的生成都是基于Tabu搜索表中最近期的解。根據(jù)J判據(jù)的最優(yōu)特征搜索結(jié)果是：灰度方差值，2階hu不變矩，灰度共生矩陣能量特征，頻譜密度特征，Gabor紋理方差特征組成的特征矢量是最優(yōu)特征解，其J判據(jù)值見(jiàn)表1。

表1 特征J判據(jù)值Tab.1 Characteristics of J criterion value

4 RBF神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與實(shí)現(xiàn)

RBF是由輸入層、1個(gè)隱含層（徑向基層）和1個(gè)線性輸出層組成的3層前向神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)圖6。R為輸入矢量的維數(shù)；S1為第1層神經(jīng)元的個(gè)數(shù)；S2為第2層神經(jīng)元的個(gè)數(shù)。徑向基網(wǎng)絡(luò)傳遞函數(shù)是以權(quán)值向量和閾值向量之間的距離｜｜dist｜｜作為自變量，通過(guò)輸入向量和加權(quán)矩陣的行向量的乘積得到。

對(duì)本實(shí)驗(yàn)中路面判別分類器而言，網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù)為路面類別數(shù)，輸入層的神經(jīng)元數(shù)就取為輸入特征矢量的維數(shù)。通過(guò)訓(xùn)練集自學(xué)習(xí)方法獲取隱含層神經(jīng)元個(gè)數(shù)、中心向量和寬度向量。

實(shí)驗(yàn)采用Matlab工具，實(shí)現(xiàn)RBF 神經(jīng)網(wǎng)絡(luò)步驟如下。

1）選取樣本的特征向量作為訓(xùn)練樣本，特征向量即J判據(jù)優(yōu)化后的最優(yōu)特征解。

2）設(shè)置目標(biāo)向量及徑向基函數(shù)的分布密度。

3）調(diào)用newrb方法，構(gòu)建并訓(xùn)練徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)。

4）獲取待分類圖像的特征，調(diào)用sim 方法，識(shí)別圖像所屬類別。

圖6 徑向基網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 Radial Basis network structure

5 實(shí)驗(yàn)過(guò)程與結(jié)果

取路面樣本240個(gè)，采用J判據(jù)的道路特征集優(yōu)化后的五維特征輸入，設(shè)定RBF分類器訓(xùn)練時(shí)MSE誤差為0.005。訓(xùn)練圖如圖7。隱含層徑向基遞增到180左右時(shí)，誤差急劇減小。據(jù)觀察發(fā)現(xiàn)，徑向基增加到樣本數(shù)的3／4左右時(shí)，網(wǎng)絡(luò)訓(xùn)練性能轉(zhuǎn)好。

圖7 RBF訓(xùn)練圖Fig.7 RBF training figure

以相同樣本數(shù)量測(cè)試不同路面狀況的分類正確性，結(jié)果見(jiàn)表2。在240個(gè)樣本條件下分類，錯(cuò)誤主要集中于干燥路面和淤泥路面，分類正確率不到40%。結(jié)合特征分析與分類結(jié)果發(fā)現(xiàn)：由于水膜、積雪、水冰路面的紋理特征較為明顯，正確判別率較高，同時(shí)也體現(xiàn)前期圖像特征集優(yōu)化在分類器設(shè)計(jì)中的重要性。

表2 相同數(shù)量（240個(gè)）樣本條件下不同路面判別正確率Tab.2 the accuracy rate of different road image under same Number of samples

以特征集優(yōu)化后的五維特征作為樣本輸入，從240份樣本遞增到520份樣本進(jìn)行測(cè)試整體分類正確率，結(jié)果見(jiàn)表3。在樣本數(shù)為240時(shí)，RBF的平均分類正確率為57.9%；在320～480份樣本時(shí)，正確率隨樣本數(shù)量增加提升較快；到520份輸入時(shí)正確率下降2%?？傮w來(lái)看，在500樣本以內(nèi)，樣本數(shù)量越大，分類成功率越高，但是訓(xùn)練收斂時(shí)間成本太高；達(dá)到500個(gè)樣本數(shù)量時(shí)，分類正確率上下波動(dòng)，樣本數(shù)量和分類正確率的關(guān)系不大。MSE誤差值一定程度上反應(yīng)收斂速度，因此樣本數(shù)越多，訓(xùn)練時(shí)間越長(zhǎng)，MSE誤差值越大。

表3 不同樣本數(shù)量情況下的RBF網(wǎng)絡(luò)性能對(duì)比Tab.3 RBF Network Performance Comparison under different Number of samples

6 結(jié)論

1）通過(guò)離線方式用最解特征搜索方法提取有效特征并降維，運(yùn)用基于類內(nèi)類間距離的可分性判據(jù)可選取最有效的低維特征，能有效優(yōu)化高維特征解。

2）通過(guò)圖像特征降維后，采用RBF 神經(jīng)經(jīng)網(wǎng)絡(luò)對(duì)不同道路濕滑狀況進(jìn)行判別，正確率可達(dá)78.4%。通過(guò)神經(jīng)經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法、網(wǎng)絡(luò)結(jié)構(gòu)、判決函數(shù)等的改進(jìn)，選擇不同參數(shù)的改進(jìn)RBF分類器值得研究。

3）RBF訓(xùn)練樣本越多，其訓(xùn)練時(shí)間遞增越明顯，分類準(zhǔn)確率越高，但是樣本數(shù)超過(guò)一定范圍，分類準(zhǔn)確性得不到太大提升。

4）訓(xùn)練之后的MSE誤差并不能反映出分類準(zhǔn)確性，本實(shí)驗(yàn)中RBF神經(jīng)網(wǎng)絡(luò)的收斂特性和分類準(zhǔn)確性關(guān)聯(lián)不大。

5）通過(guò)優(yōu)化濕滑道路圖像特征，能有效地提高分類的效率和分類的正確性。尋找合適的特征矢量、合適的樣本是下一步應(yīng)該繼續(xù)的工作。如何選取顏色特征、描述特征以及保證計(jì)算的實(shí)時(shí)性仍需要研究。

［1］豐曉芳.交通圖像在智能交通系統(tǒng)中的應(yīng)用［J］.交通信息與安全，2009，27（S1）：84－87.

［2］Kuehnle Andreas，Burghout Wilco.Winter road condition recognition using video image classification［J］.Transportation Research Record，1998（1627）：29－33.

［3］劉新宇，黃德啟.基于SVM 分類器的道路濕滑圖像分類方法研究［J］.武漢理工大學(xué)學(xué)報(bào)：交通科學(xué)與工程版，2011，35（4）：784－787.

［4］Wang Weifeng，Wu Qing，Chu Xiumin，et al.Discussion to Information Acquisition Technology and Safety Identification Method of Traffic Environment［C］∥China Wuhan：IEEE Computer Society Pacific－Asia Workshop on Computational Intelligence and Industrial Application，2008：874－878.

［5］張儒良，席 泓，王 林.一種基于Hu不變矩的匹配演化算法［J］.西南師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，37（5）：11－15.

［6］李 鈺，孟祥萍.基于Gabor濾波器的圖像紋理特征提?。跩］.長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，29（1）：76－81.