黃 新 林 倩

(桂林電子科技大學(xué)電子工程與自動(dòng)化學(xué)院 廣西 桂林 541004)

一種基于雙極系數(shù)法的斑馬線檢測(cè)改良方法

黃 新 林 倩

(桂林電子科技大學(xué)電子工程與自動(dòng)化學(xué)院 廣西 桂林 541004)

根據(jù)斑馬線自身的顏色形狀特點(diǎn)，對(duì)導(dǎo)盲系統(tǒng)中的斑馬線識(shí)別問(wèn)題進(jìn)行研究。在雙極系數(shù)法的基礎(chǔ)上針對(duì)灰度化處理和線段檢測(cè)兩個(gè)方面進(jìn)行改良，提出一種綜合線性判別式公析LDA(Linear Discriminant Analysis)與EDLines(Edge Drawing Lines)算法的檢測(cè)方法。利用LDA灰度化圖像，使斑馬線與周圍路面、行人車輛有明顯的區(qū)分；采用不均勻分塊方式對(duì)圖像求雙極系數(shù)圖，同時(shí)，進(jìn)行區(qū)域優(yōu)化篩選，再將優(yōu)化后的雙極系數(shù)圖與二值圖融合，得到候選區(qū)域；最后通過(guò)EDLines進(jìn)行直線檢測(cè)，對(duì)線段的長(zhǎng)度、斜率、間隙和數(shù)量進(jìn)行判斷，確定斑馬線位置。與傳統(tǒng)的斑馬線檢測(cè)方法相比，LDA灰度化能更好地降低路面障礙物的干擾，而EDLines算法則能增強(qiáng)線段檢測(cè)的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明識(shí)別率達(dá)到90.3%，對(duì)識(shí)別斑馬線有良好的效果。

斑馬線 雙極系數(shù) LDA EDLines

0 引 言

據(jù)統(tǒng)計(jì)，全球盲人數(shù)量超過(guò)5 000萬(wàn)，低視力人群約1.4億人且數(shù)量仍呈上升趨勢(shì)，對(duì)導(dǎo)盲設(shè)備的需求量相當(dāng)龐大。隨著機(jī)器視覺(jué)技術(shù)的不斷發(fā)展，基于視覺(jué)技術(shù)的導(dǎo)盲設(shè)備在導(dǎo)盲輔具中成為主力軍，而斑馬線的識(shí)別是視覺(jué)導(dǎo)盲系統(tǒng)中的重要部分。對(duì)視覺(jué)障礙人士來(lái)說(shuō)，斑馬線較盲道更難被感知，所以提高識(shí)別的準(zhǔn)確度對(duì)盲人的出行安全性意義重大。

綜合目前已有的斑馬線識(shí)別的研究成果，了解到雙極系數(shù)法是一種識(shí)別斑馬線比較好的方法，符合斑馬線自身特點(diǎn)且計(jì)算速度快。文獻(xiàn)[1]提出將圖像灰度化后利用表征灰度圖像對(duì)比度的雙極系數(shù)作為判斷斑馬線位置的關(guān)鍵。文獻(xiàn)[2]在前者的基礎(chǔ)上，對(duì)圖像進(jìn)行了“近大遠(yuǎn)小”的分塊操作，進(jìn)一步提高了雙極系數(shù)法的識(shí)別率。之后多數(shù)研究者都利用雙極系數(shù)法結(jié)合Canny算法進(jìn)行邊緣檢測(cè)，后進(jìn)行Hough變換提取直線，根據(jù)直線信息以達(dá)到識(shí)別斑馬線的目的[3-5]。本文針對(duì)其中傳統(tǒng)的灰度化和直線檢測(cè)方法進(jìn)行了修改，在雙極系數(shù)法基礎(chǔ)上就灰度化缺乏針對(duì)性，直線檢測(cè)不準(zhǔn)確的缺點(diǎn)，引入LDA和EDLines算法，并給出實(shí)驗(yàn)效果圖。

1 檢測(cè)斑馬線區(qū)域

1.1 LDA灰度化

灰度化是將彩色圖像中每個(gè)像素包含的R、G、B三個(gè)分量變?yōu)橄嗤?，即投影到一個(gè)向量上，實(shí)現(xiàn)三通道圖像到單通道圖像的轉(zhuǎn)換，最后生成一幅灰度圖像。即將彩色圖像中三分量亮度的平均值或是最大值作為灰度圖的灰度值，又或是將三個(gè)分量以固定的權(quán)值進(jìn)行加權(quán)平均。這種傳統(tǒng)的灰度化雖能降低后續(xù)圖像的計(jì)算量，但當(dāng)斑馬線受到腐蝕、損壞、與路面顏色差別較小時(shí)，會(huì)造成區(qū)分困難。一般灰度化的公式有三種：

(1)

Gray(i,j)=G(i,j)

(2)

Gray(i,j)= 0.299×R(i,j)+0.587×

G(i,j)+0.144×B(i,j)

(3)

LDA是模式識(shí)別的經(jīng)典算法，采用的是Fisher判別準(zhǔn)則函數(shù)。其基本思想是找到一組最佳的鑒別矢量，投影后保證模式樣本在新的子空間有最大的類間距離和最小的類內(nèi)距離，達(dá)到好的分類效果。對(duì)比傳統(tǒng)的灰度化方法，不僅更具有針對(duì)性，而且能更好地對(duì)斑馬線和路面作出區(qū)分。本文采用640×480像素大小圖像，剪裁掉圖像中不相關(guān)部分(如：天空、路面建筑等)，保留感興趣區(qū)域后為640×360像素，利用LDA灰度化增強(qiáng)圖像中斑馬線與路面的對(duì)比度。

一般用矩陣的離散度來(lái)描述樣本的分布，得到Fisher準(zhǔn)則：

(4)

式中：Sb表示類間離散度矩陣,為兩個(gè)類之間的中心點(diǎn)距離：

(5)

Sw表示類內(nèi)離散度,為矩陣各樣本點(diǎn)到該樣本點(diǎn)所在類別的中心點(diǎn)的距離和：

(6)

式中：xi表示第i個(gè)樣本；ni表示屬于i類的樣本個(gè)數(shù)；u表示所有樣本的均值；ui表示類i的樣本均值；φ為任一n維列向量。通過(guò)式(4)計(jì)算，當(dāng)選取φ=[0.012,-0.984,0.005]T作為投影方向時(shí)，Jfisher(φ)達(dá)到最大值，即斑馬線與路面的區(qū)分效果為最佳。

將結(jié)果線性變換至灰度圖像的亮度值0～255范圍內(nèi)，變換后計(jì)算每個(gè)點(diǎn)的灰度值：

(7)

式中：Gi表示變換之前的圖像中每個(gè)像素點(diǎn)的灰度值；Gmin表示變換前的圖像中最小的灰度值；Gmax表示變換前的圖像中最大的灰度值。圖1為選取感興趣區(qū)域后，存在遮擋物情況下一般灰度化與LDA灰度化結(jié)果的對(duì)比圖。圖1(b)中斑馬線辨識(shí)度優(yōu)于圖1(a)。

圖1 灰度化對(duì)比圖

1.2 雙極系數(shù)法

文獻(xiàn)[1-2]中的雙極系數(shù)法，結(jié)合斑馬線黑白交替的特點(diǎn)及斑馬線圖像是梯形成像，對(duì)圖像進(jìn)行灰度化處理后，首先采用“近大遠(yuǎn)小”的分塊方法，且分塊大小要大于斑馬線寬度。根據(jù)采樣圖像大小以及拍攝角度，將圖像由近至遠(yuǎn)分塊為64×64、32×32、16×16、8×8像素四種大小。然后利用黑白兩色的均值和方差，遍歷整幅圖像，得到每塊灰度塊的雙極系數(shù)。設(shè)定分割閾值為0.85，保留雙極性大于閾值的灰度塊，去除雙極性小于閾值的灰度塊，最后與二值圖相融合，得到斑馬線圖像。

任意一幅圖的灰度分布為p0(x)，假設(shè)該圖中包含的像素分別為黑色灰度值像素和白色灰度值像素，則p0(x)可表示為：

p0(x)=αp1(x)+(1-α)p2(x) 0≤α≤1

(8)

式中：p1(x)為黑色像素的灰度；p2(x)為白色像素的灰度分布。

定義均值：

(9)

定義方差：

(10)

結(jié)合式(8)、式(9)、式(10)，可得總方差為：

(11)

定義雙極性：

(12)

由式(12)可知，0<γ<1。當(dāng)γ=1時(shí)對(duì)應(yīng)的灰度圖具有完全雙極性，而當(dāng)γ=0時(shí)，灰度圖完全缺乏雙極性。對(duì)γ進(jìn)行估算，可改寫(xiě)為：

(13)

由于一些斑馬線存在磨損及路面有污漬的情況，還需要對(duì)雙極系數(shù)圖進(jìn)行消噪和形態(tài)學(xué)處理，以排除偽斑馬線區(qū)域的干擾。去除面積小的連通區(qū)域，并進(jìn)行空洞填充處理，保留輪廓面積最大的區(qū)域作為斑馬線候選區(qū)。圖2(c)為優(yōu)化后的效果。最后將候選區(qū)與二值化圖像進(jìn)行融合，進(jìn)一步減小周圍線段干擾，最終確定定位區(qū)域圖2(e)。

2 判斷斑馬線位置

確定斑馬線區(qū)域之后，要進(jìn)一步進(jìn)行特征提取確定斑馬線輪廓。一般采用Hough變換作為直線檢測(cè)的方法，通過(guò)一種投票算法檢測(cè)具有特定形狀的物體。但Hough變換具有一定的局限性，識(shí)別過(guò)程中需要經(jīng)過(guò)大量計(jì)算且檢測(cè)過(guò)長(zhǎng)或過(guò)短的線段效果較差，容易將不連續(xù)的直線連接在一起產(chǎn)生錯(cuò)誤檢測(cè)。因此本文改用由Akinlar等提出的EDLines算法[8]，較前者不僅提取速度快，而且能夠提取出干凈、連續(xù)的邊緣。

首先利用Edge Drawing算法提取邊緣像素點(diǎn)。通過(guò)高斯濾波抑制噪聲后，根據(jù)式(14)、式(15)計(jì)算得到(xi,yi)水平和垂直方向的梯度。

tx(xi,yi)=

(14)

ty(xi,yi)=

(15)

式中：I(xi,yi)為像素(xi,yi)的灰度值。再經(jīng)過(guò)偏移處理求得每個(gè)像素點(diǎn)(xi,yi)的梯度模值T(xi,yi)和梯度方向α。

(16)

(17)

然后采用局部梯度最大值來(lái)篩選候選邊緣像素點(diǎn)，并將這些篩選出的點(diǎn)通過(guò)啟發(fā)式的智能路徑算法連接成邊緣。選擇一個(gè)篩選出的像素點(diǎn)，向上下或左右兩端開(kāi)始連接其他篩選像素點(diǎn)。比較該點(diǎn)領(lǐng)域同一方向三個(gè)像素的梯度值大小，選擇其中最大的與之相連。當(dāng)搜索到區(qū)域邊界或是與另一條已檢測(cè)到的邊緣相遇時(shí)，停止搜索。圖3為邊緣像素點(diǎn)連接路徑原理圖，其中點(diǎn)(8,4)、(4,4)、(3,8)為篩選出的邊緣像素點(diǎn)，其余圓圈點(diǎn)為被連接的點(diǎn)。

圖3 邊緣像素點(diǎn)連接路徑原理圖

采用最小誤差距離的邊緣分割和最小二乘法擬合直線。最后釆用Helmholtz原理[9]來(lái)抑制虛假的直線。圖4為Hough變換與EDLines的使用對(duì)比圖。

圖4 Hough(左)變換與EDLines(右)結(jié)果對(duì)比

通過(guò)EDLines提取斑馬線區(qū)域的直線。對(duì)比直線長(zhǎng)度、斜率、間隙和數(shù)量，判斷出斑馬線的位置。本文選取與水平方向夾角小于5°，間隙為40～120像素范圍內(nèi)且長(zhǎng)度大于70像素的直線，當(dāng)圖像中滿足以上篩選條件的直線數(shù)量大于8條時(shí)，則確定斑馬線存在。圖5為最終識(shí)別結(jié)果。

圖5 斑馬線檢測(cè)結(jié)果

3 檢測(cè)結(jié)果分析

分別于早中晚不同時(shí)段，在12處不同地點(diǎn)進(jìn)行樣本采樣，共采集176張圖像樣本，圖像大小為640×480。包含了不同方向的拍攝，而且存在路面有其他標(biāo)志線或存在遮擋物等情況干擾。所有實(shí)驗(yàn)都是在配置為酷睿i5-4690處理器，內(nèi)存8 GB的電腦上進(jìn)行，運(yùn)行環(huán)境為為VS2013+OpenCV2.4.9。

用本文方法對(duì)樣本進(jìn)行檢測(cè)，可正確識(shí)別159張，未能識(shí)別或識(shí)別有誤17張，檢測(cè)正確率為90.3%。具體檢測(cè)結(jié)果統(tǒng)計(jì)如下：早上共拍攝57張，識(shí)別出53張，識(shí)別率為93.0%；中午共拍攝59張，識(shí)別出54張，識(shí)別率為91.5%；晚上共拍攝60張，識(shí)別出52張，識(shí)別率為86.7%。圖6為部分圖像樣本的檢測(cè)結(jié)果，方框框出的部分為被識(shí)別的斑馬線部分，在多數(shù)情況下對(duì)斑馬線的檢測(cè)結(jié)果準(zhǔn)確。

圖6 不同環(huán)境下斑馬線檢測(cè)結(jié)果

從測(cè)試樣本中隨機(jī)選擇100張不同環(huán)境下的圖像，包括存在遮擋物或是周圍路面顏色較為接近的情況。分別使用傳統(tǒng)的灰度化方法和LDA灰度化方法，然后進(jìn)行EDLines檢測(cè)斑馬線，對(duì)比兩種方法的正確率。通過(guò)表1可以看出LDA灰度化的正確檢測(cè)效果要優(yōu)于傳統(tǒng)灰度化。

表1 傳統(tǒng)灰度化方法與LDA灰度化方法正確率對(duì)比

用同樣的比較方式對(duì)100張隨機(jī)圖像進(jìn)行檢測(cè)，在LDA灰度化的前提下，對(duì)線段檢測(cè)部分的方法進(jìn)行修改，對(duì)比Hough與EDLines的檢測(cè)正確率。如表2所示，結(jié)果表明EDLines方法正確率較高。

表2 傳統(tǒng)灰度化方法與LDA灰度化方法正確率對(duì)比

將文獻(xiàn)[1-2]中的傳統(tǒng)灰度化下的雙極系數(shù)法，再進(jìn)行霍夫直線檢測(cè)的方法，與本文檢測(cè)方法進(jìn)行比較，識(shí)別正確率提高了近4%，如表3所示。

表3 傳統(tǒng)算法與本文算法檢測(cè)正確率對(duì)比

4 結(jié) 語(yǔ)

本文運(yùn)用LDA算法對(duì)道路圖像進(jìn)行針對(duì)性處理后，依據(jù)斑馬線顏色規(guī)律特征利用雙極系數(shù)法，再結(jié)合EDLines直線檢測(cè)，實(shí)現(xiàn)了對(duì)斑馬線的識(shí)別。最終結(jié)果表明本文方法在照明良好拍攝條件下，對(duì)形狀相對(duì)完整的斑馬線都能取得好的識(shí)別效果。但在昏暗環(huán)境、下雨天潮濕地面反射燈光嚴(yán)重、斑馬線嚴(yán)重受損、獲取圖像斑馬線存在比例過(guò)小等情況下會(huì)導(dǎo)致識(shí)別錯(cuò)誤。就這些不良條件的算法處理還需進(jìn)一步提高，以達(dá)到更好的識(shí)別結(jié)果。

[1] Uddin M S,Shioyama T.Detection of pedestrian crossing using bipolarity feature-an image-based technique[J].IEEE Transactions on Intelligent Transportation Systems,2005,6(4):439-445.

[2] 曹玉珍,劉剛,楊海峰.導(dǎo)盲系統(tǒng)中的道路斑馬線識(shí)別方法[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(15):176-178.

[3] 閆利,黃亮.街景影像中的斑馬線檢測(cè)與定位[J].測(cè)繪科學(xué),2015,40(11):168-171.

[4] 湯智超,蘇琳,何超,等.導(dǎo)盲機(jī)器人的交通標(biāo)志視覺(jué)識(shí)別技術(shù)研究[J].計(jì)算機(jī)技術(shù)與發(fā)展,2014(9):23-27.

[5] Mascetti S,Ahmetovic D,Gerino A,et al.ZebraRecognizer:Pedestrian crossing recognition for people with visual impairment or blindness[J].Pattern Recognition,2016,60:405-419.

[6] Jelsovka D,Hudec R,Brezňan M.Face recognition on FERET face database using LDA and CCA methods[C]//International Conference on Telecommunications and Signal Processing.IEEE,2011:570-574.

[7] 王旭.直線提取算法研究[D].國(guó)防科學(xué)技術(shù)大學(xué),2013.

[8] Akinlar C,Topal C.EDLines:A real-time line segment detector with a false detection control[J].Pattern Recognition Letters,2011,32(13):1633-1642.

[9] Desolneux A,Moisan L,Morel J M.From Gestalt Theory to Image Analysis:A Probabilistic Approach[J].Interdisciplinary Applied Mathematics,2008,34(3):1255-9.

[10] Topal C,Akinlar C,Genc Y.Edge Drawing:A Heuristic Approach to Robust Real-Time Edge Detection[C]//International Conference on Pattern Recognition.IEEE Computer Society,2010:2424-2427.

[11] Uddin M S,Shioyama T.Robust zebra-crossing detection using bipolarity and projective invariant[C]//Eighth International Symposium on Signal Processing and ITS Applications.IEEE Xplore,2005:571-574.

ANIMPROVEDMETHODOFZEBRACROSSINGDETECTIONBASEDONBIPOLARITY

Huang Xin Lin Qian

(SchoolofElectronicEngineeringandAutomation,GuilinUniversityofElectronicTechnology,Guilin541004,Guangxi,China)

According to the characteristics of the zebra crossing’s own color and shape, this paper studies the problem of zebra crossing recognition in blind guiding system. We improve the gray processing and line segment detection by bipolarity method, and put forward a detection method combining LDA (Linear Discriminant Analysis) and EDLines (Edge Drawing Lines) algorithm. Firstly, LDA was used to convert color images to gray images directly, which made the zebra crossing and the surrounding roads, pedestrians, vehicles were clearly distinguished. Secondly, the bipolarity image was calculated by non-uniform segmentation method. At the same time, the region was optimized and screened. Candidate regions were obtained by fusing the binary image and the bipolarity image that had been optimized. Finally, the line was detected by EDLines, and then the location of the zebra crossing was determined by selecting the length, slope, gap and number of line segments. Compared with the traditional detection method of the zebra crossing, the interference of the road obstacles is reduced by LDA, while the accuracy of line detection is enhanced by EDLines. Experimental results show that the recognition rate is 90.3%, which has a good effect on the zebra crossing.

Zebra crossing Bipolarity LDA EDLines

2017-02-18。廣西自動(dòng)檢測(cè)技術(shù)與儀器重點(diǎn)實(shí)驗(yàn)室主任基金項(xiàng)目(YQ14105)；廣西省科學(xué)研究與技術(shù)開(kāi)發(fā)計(jì)劃項(xiàng)目(桂科攻：11107001-40)。黃新，副教授，主研領(lǐng)域：圖像處理。林倩，碩士生。

TP3

A

10.3969/j.issn.1000-386x.2017.12.038