魏婷婷，林 楠，曹仰杰，魏君飛，楊 聰

1(鄭州大學 軟件學院，鄭州 450002) 2(鄭州大學 漢威物聯(lián)網研究院，鄭州 450002)

1 引 言

近年來，隨著一些惡性交通事故的發(fā)生，使“毒駕”這一民眾所不了解的高危駕駛行為逐漸進入到公眾的視野當中.“毒駕”(Drug-driving)是指交通行為參與人在未完全戒斷毒癮、正在使用毒品或使用毒品后進行機動車駕駛的行[1].“毒駕”行為隱蔽性高且社會危害性極大，目前，我國對由“毒駕”引發(fā)的道路交通事故尚無權威的統(tǒng)計數字，在國內的相關報道中，2003-2005年，由“毒駕”引發(fā)的交通道路事故平均每年不足10起；2006-2008年，達到每年10～20起；2009年則上升至40起以上[2].2013-2016年，國內媒體有關“毒駕”的報道分別為1940篇、4120篇、10400篇和13500篇，從近年相關報道反應出，其造成的交通道路事故呈上升態(tài)勢[3].因此，對于“毒駕”行為的檢測，是避免其造成公民的人身和財產安全的重要措施.

毒品檢測標準方法包括氣相-質譜聯(lián)用(GC-MS)[4]與液相-質譜聯(lián)用技術(LC-MS)[5，6]，這兩種技術相對比較成熟.此外，常見的毒品檢測方法還有色譜法[7]、光譜法[8]、免疫分析法[9，10]等方法，此類檢測方式需要使用大型專業(yè)儀器設備.對于實驗環(huán)境具有一定要求，因此面對復雜道路環(huán)境，這些方法雖然檢測準確但無法適用于常規(guī)道路稽查.國內對于機動車駕駛者的毒駕檢測主要采用血液檢測、尿液檢測和唾液檢測3種方式，如表1所示.相較于另外兩種方式，唾液檢測在毒檢道路現場更為普遍.唾液檢測采用的試紙檢測方式，只需將待檢測物質與試紙反應區(qū)接觸即可完成檢測，具有成本低、靈敏度高、方便快捷等特點.但在實際研究和應用中其試紙判斷方式存在不足.目前毒駕道路檢測中對唾檢試紙的常用判斷方式為目測法，目測法進行試紙反應色域的識別，會受到環(huán)境影響及人眼顏色識別的差異，且唾液檢紙體積較小，其有效試紙前景區(qū)域面積為15mm×15mm，僅僅依靠目測，檢測結果缺乏準確性.

表1 國內常見機動車駕駛員毒駕檢測方式對比Table 1 Comparison of common driving test methods for motor vehicle drivers in China

隨著移動設備的普及以及圖像識別技術的發(fā)展，使得利用手機、相機等攝像設備結合機器學習等方法，形成一種更加高效便捷的毒駕識別方式成為了可能.首先，利用攝像頭采集毒檢試紙，經轉換后存儲為圖片格式，之后從試紙圖像上提取色塊信息經過數字信號處理后，對數據進行分類，最終得出檢測結果.但在實際毒駕檢測試紙圖像成像過程中，存在以下問題：

1)由于攝影設備、環(huán)境光照、色溫等影響，造成圖像目標與背景對比度較低、噪聲較高、陰影干擾以及邊緣模糊的問題，對于毒駕試紙圖像的識別檢測造成影響.

2)試紙圖像弱邊緣化.當待檢測物質濃度處于臨界范圍內，試紙條顯色區(qū)域呈現的色塊顏色較淺，且形狀不規(guī)則，呈現試紙色域邊界弱邊緣化，對判斷色域是否存在產生影響.

針對上述問題，本文提出一種面向弱邊緣毒駕唾檢試紙圖像識別方法DrugChecking，旨在實現對采集到的毒駕唾檢試紙圖像進行識別，并對所屬毒品類別進行準確分類.本文使用多顏色空間信息和機器學習方式，在真實毒駕唾檢試紙圖像數據集中進行驗證，試驗結果表明，DrugChecking在高效準確分割弱邊緣試紙圖像的同時能夠實現對毒品的精確分類，為常規(guī)道路毒駕稽查提供了準確有效的識別方式.

2 DrugChecking毒駕唾液試紙檢測

本節(jié)將重點介紹DrugChecking的整體流程，如圖1所示為毒駕唾檢試紙圖像的整體識別流程.首先，對原始圖像進行預處理，使用邊緣檢測、投影變換等方式獲得試紙前景區(qū)域圖像，之后結合多顏色空間下不同圖像信息，進行前景圖像的試紙分割，獲得原始圖像中的試紙圖像，采用PCA對試紙圖像進行降維處理，并對降維后的數據進行分類，從而獲得毒駕試紙中毒品所屬類別.

圖1 DrugChecking毒駕試紙檢測流程圖Fig.1 Flow chart of drug driving test strip image detection

2.1 試紙前景區(qū)域獲取

原始毒駕唾檢試紙圖像中包含大量圖像信息，首先對圖像進行預處理，排除干擾信息，鎖定試紙前景區(qū)域，不僅能減少設備計算量，也能避免由干擾信息引起的分類錯誤.邊緣檢測是圖像處理領域的重要技術，是計算機視覺尤其是特征檢測和提取的基本工具.傳統(tǒng)的邊緣檢測算法一階包括Prewitt算子、Sobel算子[11]、Roberts算子，二階包括Laplace算子、LOG算子等.通常，這類算子以導數極大值點或過零點作為候選邊緣點，根據有效閾值，得到圖像邊緣.此類算子操作簡單、運算速度較快，但噪聲對該類算子影響較大，抗干擾能力弱，例如：LOG算子常產生雙邊界，Sobel算子易形成不閉合的區(qū)域，導致圖像邊緣不夠精準.而Canny算子[12]是最佳階梯型邊緣檢測算法，信噪比大且邊緣檢測精度高.

本文基于算法復雜度以及實際應用效果考慮，采用Canny算子進行圖像邊緣的獲取.由于采集到原始圖像邊緣存在無關信息干擾，如圖2(b)為原始圖像經過邊緣檢測后所得圖像，因此，為獲得原始圖像中試紙前景圖像，選取邊緣圖像中的最大連通區(qū)域，從而排除其他無關圖像信息.首先在獲得的邊緣圖像中搜索所有連通域，從中尋找所需最大連通域(圖2(c))的位置，獲得試紙前景區(qū)域(圖2(d))并從原始圖像中裁剪得到圖2(e)試紙前景圖像，將圖像數據量由1920×2560×3減少至480×480×3，識別結果如圖2所示.

圖2 試紙前景圖像獲取示意圖Fig.2 Schematic diagram of obtaining test strip foreground image

試紙前景圖像四邊形角點位置由中點以及圖形所在點間距離決定，即圖2(d)中標記區(qū)域.設Cj(j=1，2，3，4)為四邊形角點，Oi為四邊形中點，Pi表示最大連通域中坐標點，Pi∈{[x1，y1]，[x2，y2]，…，[xn，yn]}，其中i=1，2，…，n.角點Cj的輸出定義如公式(1)所示.根據得到的4個角點，對圖像裁剪獲得試紙前景圖像.

Cj=Max[(Pi-O0)(Pi-O0)T]

(1)

2.2 多顏色空間下毒品試紙邊緣提取

毒駕唾檢試紙圖像由于在成像過程中容易收到光照、色溫等影響，圖像中產生陰影、偽影等情況，同時試劑暈染模糊也會對試紙圖像的邊緣確定產生嚴重影響.常用的RGB顏色空間是面向硬件設備描述的顏色空間，通常攝像系統(tǒng)都是基于RGB顏色空間成像，但由于攝像設備所采集的圖像，存在由于設備物理性、環(huán)境高亮度比、色溫等諸多因素的影響，使得攝像得到的圖像與標準光照下比，會存在高噪聲、陰影、強度不均勻等情況，致使RGB顏色空間在描述物體色彩和計算處理方面不夠完全.HSV(Hue，Saturation，Value)顏色空間即色調、飽和度和亮度，3個分量相互獨立，受外界環(huán)境影響較小[13].因此將RGB顏色空間和HSV顏色空間的分量信息相結合，能夠從不同角度有效獲得所需試紙圖像特征信息.

將毒駕唾檢RGB圖像轉換到HSV顏色空間[14]，圖像的各分量計算公式如下：

(2)

(3)

V=max(R，G，B)

(4)

式中，Cmax=max(R，G，B)，Cmin=min(R，G，B)，Δ=Cmax-Cmin.

本文采用RGB顏色空間中的B通道，HSV顏色空間中的H通道，以及由RGB顏色空間轉化所得灰度通道，共同構建毒駕唾檢試紙圖像邊緣信息.B通道邊緣能夠擬合圖像的大部分邊緣，因此首先對B通道進行形態(tài)學處理——膨脹，之后與其他通道進行并運算，這樣既能保持原有圖像邊緣輪廓，又能通過其他通道補充邊緣信息.最后，進行閉操作能夠消除狹窄的間斷和細長的鴻溝，使得圖像輪廓平滑，填補邊緣輪廓的斷裂，具體數學表達式[15]如下：

EB=A⊕B={x，y|Bxy?A}

(5)

E=EB∩EH∩Egray

(6)

E′=E·C=(E⊕C)?C

(7)

假設結構元素B對集合A進行操作，EB即為膨脹后B通道邊緣，E和E′分別表示進行閉操作前后的試紙邊緣輪廓，EB，EH，Egray分別表示B通道、H通道和灰度通道的邊緣輪廓，最終得到試紙邊緣輪廓E′.

2.3 試紙條區(qū)域獲取

根據試紙條邊緣為直線的特點，本文采用霍夫變換對圖像進行直線檢測，從每張前景圖像中可以得到3張毒駕試紙圖像.Hough變換[16]的參數方程如下所示：

ρ=xcosθ+ysinθ

(8)

用θ和ρ參數來描述直線，ρ表示原點到直線的垂直距離，θ表示該垂線與x軸的夾角.

霍夫變換通?？梢栽趫D像中尋找到所需形狀曲線，根據曲線信息進行下一步圖像處理.從原始圖像中獲取試紙前景圖像后，采用霍夫變換直線檢測，圖3(a)即為采用霍夫直線檢測結果，霍夫變換的基本方法[16]：用圖像空間的邊緣數據點計算參數空間中的參數點的可能軌跡，并在一個累加器中給計算出參考點的計數，最后選出符合條件的峰值，該峰值由ρ和θ決定，則在對應到圖像空間中滿足該式的點(x，y)就組成該直線.得到所需試紙邊緣信息之后，裁剪獲得試紙圖像，圖3(b)為裁剪后試紙圖像.

圖3 毒駕圖像中試紙條區(qū)域的提取Fig.3 Images of drug driving test strips

2.4 試紙條區(qū)域主成分分析

直接對唾檢試紙圖像進行分類會耗費大量計算資源，通過對圖像進行降維處理能夠有效提升處理速度.主成分分析(PCA)是一種利用從高維到低微的降維思想，是從高維的可觀測顯示變量中獲取信息，組成低維不可直接觀測的隱式變量.PCA[17]通過K-L變換，使用盡可能少的低維主成分代替之前高維數據信息，計算公式見式(9)-式(14).假設每張試紙圖像數據樣本矩陣為{x1，x2，…，xm}，首先將數據樣本進行中心化處理，取每個特征的均值：

(9)

(10)

從樣本特征中提取主要成分，進行數據降維.需要計算樣本集的協(xié)方差矩陣，并使用SVD函數進行數據計算：

(11)

[U，Λ，V]=svd(∑)

(12)

式中，∑表示樣本x的協(xié)方差矩陣，由∑計算可得樣本x的特征值和特征向量，特征值Λ=[λ1，λ2，…，λp]，特征向量U=[u1，u2，…，up]，其特征值是遞減排列，可選取全部p維特征中的前n維特征作為主要成分，通常選取保留的能量百分比E為95%以上的特征維度，即：

(13)

最終降維后的樣本數據為：

xPCA=[u1，u2，…，un]Td

(14)

本文480×100×3將維的分割所得試紙圖像，經過PCA降維，成為480×1維數據，由于降維后第一主成分的能量百分比為98.7376%，因此，使用第一主成分即可代表該圖像主要數據，部分降維結果圖4所示：

圖4 部分試紙圖像降維結果示意圖Fig.4 Schematic diagram of PCA results of test strip images

從圖4可以看出，降維后圖像存在不同數目的峰值，峰值高低與圖像的明暗度和色塊顏色強弱有關，而峰值個數則與試紙條圖像中色塊數目相對應，如圖4左上圖中，峰值與試紙色塊均為2，右上圖中峰值與試紙色塊均為1.因此，降維后的數據能夠有效代表原始圖片.

2.5 毒駕試紙分類

支持向量機(Support Vector Machine，SVM)[18]是機器學習中適用于小樣本數據的有效分類方法，通過構造最優(yōu)超平面從而對未知樣本進行分類.針對毒駕檢測試紙的小樣本性以及樣本特點，本文選用機器學習支持向量機對試紙毒品進行分類.SVM對于解決小樣本非線性的高維數據識別中具有很好的準確率和泛化能力.非線性的支持向量機學習算法[19]如下：

輸入：訓練數據集T={(x1，y1)，(x2，y2)，…，(xN，yN)}，其中，xi∈Rn，yi∈{+1，-1}，i=1，2，…，N；

輸出：分離超平面和分類決策函數f(x)

步驟1.選取合適的核函數K(x，z)和懲罰參數C>0；

步驟2.構造并求解凸優(yōu)化問題

(15)

(16)

0≤ai≤C，i=1，2，…，N

得到最優(yōu)解：

(17)

(18)

步驟4.構造決策函數

(19)

式中，sgn()表示符號函數.

SVM中常用核函數包括：線性核函數(Liner Kernel，Linear)、多項式核函數(Polynomial Kernal，Poly)、Sigmoid核函數、徑向核函數(Radical Basis Function，RBF)，其表達式分別為：

K(y，yi)Linear=yyi

(20)

K(y，yi)Poly=(yyi+1)d

(21)

K(y，yi)Sigmoid=tanh(k(yyi)+θ)

(22)

K(y，yi)RBF=exp(-‖y-yi‖2/(2σ2))

(23)

針對不同數據，核函數的選擇對于分類的準確性具有重大影響，經試驗，Poly核函數對于毒品試紙的正確分類具有顯著效果.在使用SVM進行樣本分類時，由于絕大數問題都是非線性問題，因此需要選用合適的核函數K(y，yi)將輸入向量由低維映射到高維特征空間，由非線性變?yōu)榫€性可分的數據向量.

3 實驗結果與分析

本文實驗采用64位Windows10操作系統(tǒng)，處理器為Intel(R)Core(TM)i7-8700，內存為16.0 GB，整體實驗流程基于Matlab實現.

3.1 數據集

本文所使用的毒駕檢測試紙圖像均是真實場景下常規(guī)道路稽查環(huán)節(jié)檢測所得圖像，共包括1920×2560×3尺寸的247張原始圖片，經過圖片分割處理后獲得741張480×100×3尺寸的試紙圖像，按照試紙圖像中色塊位置的不同分為5個類別，類別信息如表2所示.

表2 毒駕試紙原始類別信息Table 2 Type information of drug driving test strips

每張試紙包含3個色塊，從上而下分別代表色塊有效性、毒品A和毒品B，為了類別標記的便捷性，我們將色塊的有無分別用1和0表示，組成5種類別，包括000，100，110，111和101，如圖5所示.000表示該試紙檢測無效；100表示試紙檢測有效，并且不存在毒品A和B；110表示試紙有效且存在毒品A，不存在毒品B；111表示試紙有效，同時毒品A和B都已檢測到；101表示試紙有效，不存在毒品A，存在毒品B.

3.2 數據增強

在分類后的試紙數據中，類別之間樣本數量差距較大，類別3和類別4較多，而類別0、1、2則遠遠小于其樣本數量，存在嚴重數據不平衡現象，影響后續(xù)SVM的樣本分類，造成分類精確度下降.目前解決樣本數據不平衡問題的方法主要有加權法、采樣法以及對原始數據增加噪聲擴大樣本量等方法[20，21].本文通過在原始圖像中加入均值為0，方差為0.025的高斯噪聲，將類別0、1、2進行數據擴充，數據擴充后信息如表3所示，使得每個類別的樣本數據量處于均衡狀態(tài)，這樣不僅增加了訓練樣本量，解決數據不平衡問題，也增強了算法分類的魯棒性.

圖5 試紙類別示意圖Fig.5 Different types of test strips

表3 毒駕試紙數據擴充類別信息Table 3 Drug driving test strip data extended category information

3.3 評價指標

在機器學習方法中，分類模型的評價指標通常為準確率(Accuracy，Acc)、精準率(Precision，Pre)、召回率(Recall)、綜合評價指標F1-Score(F1)，各評價指標所使用的樣本數據類別如表4所示.Acc表示該算法所有分類正確的樣本占所有數據樣本的比率，則Acc越高，代表該算法檢測出數據樣本真實情況的能力越強.Pre和Recall都表示在不同分類情況下對該類別的判斷能力，Pre和Recall數值越高，則該算法對該類別的分類能力越強.各項評價指標如下所示：

表4 樣本數據類別表Table 4 Sample data category Table

(24)

(25)

(26)

(27)

3.4 實驗結果

3.4.1 試紙區(qū)域識別

為了從原始圖像中得到所需唾檢試紙圖像，通常選用RGB顏色空間或將彩色圖像轉化為灰度圖，進行邊緣信息提取.由于毒駕檢測圖像中干擾信息較多，存在陰影、偽影以及顏色暈染等情況，使得在RGB顏色空間下無法獲得準確邊緣，從而影響后續(xù)圖像識別，各通道邊緣識別準確率如表5所示.

表5 不同顏色通道的邊緣識別準確率Table 5 Accuracy of edge recognition for different color channels

在圖6中，Green、Blue、Gray分別代表RGB圖像的G通道、B通道以及由RGB圖像轉化得到的灰度圖通道，圖6(a)中由于顏色暈染及陰影，導致3個通道均未正確檢測到試紙邊緣，在圖6(b)中只有B通道能夠準確識別識別試紙邊緣.因此，本文采用HSV顏色空間中H通道，RGB顏色空間中B通道和灰度圖通道，從表5中看出，使用Green、Blue、Gray顏色通道進行圖像分割，分割正確率分別為88%、98%和97%，利用3個通道所疊加的邊緣信息進行分割，在目前數據集中分割正確率為100%，能夠高效準確識別試紙邊緣，進行試紙圖像分割.

圖6 不同顏色通道試紙邊緣識別示意圖Fig.6 Test strip edges with different color channels

3.4.2 試紙分類結果

本文實驗采用十折交叉驗證策略，將數據集分成10份，其中9份作為訓練數據，剩余1份作為測試數據.交叉驗證重復10次實驗，綜合每次實驗得出的Acc，Pre，Recall和F1，計算平均值作為對模型整體性能的評估，避免隨機結果造成的影響.

對于機器學習，數據集中樣本類別的數據不平衡會影響單個類別預測精度，導致模型整體性能下降.因此在數據預處理時，對原始圖像數據加入高斯噪聲，生成新的數據圖像，以平衡數據樣本類別.為了驗證數據擴充前后，模型對不同樣本類別及整體分類性能，本文經過一系列對比實驗，得到數據擴充前后的各種模型指標如表6所示.

表6 數據擴充前后各指標對比Table 6 Comparison of indicators before and after data expansion

根據表6看出，加入噪聲后的擴充數據，分類準確率由0.946提升至0.9804，其余3種評價指標的數值也明顯高于原始數據.由于原始數據中某些類別數據較少，模型對該類別學習能力較弱，當擴大數據集后，豐富的信息，使模型做出更加準確的判斷.實驗結果表明，使用該方法對數據集進行擴充能夠有效提高模型魯棒性，增強泛化能力.

此外，對于不同分類問題，不同核函數的選擇對SVM算法模型性能有不同影響.本文使用Linear、Poly、Sigmoid和RBF核函數進行實驗對比，評價不同核函數對實驗分類，結果見表7.

表7 不同核函數的評價指標對比Table 7 Comparison of evaluation indicators of different kernel functions

根據表7看出，采用Poly核函數進行毒駕試紙分類，由于數據內部關聯(lián)性，其各個指標均高于另外3種核函數，因此，在SVM進行樣本分類時，本文選用Poly核函數能夠達到當前最優(yōu)結果.

3.4.3 對比試驗

本文所提出的使用毒檢試紙圖像的DrugChecking與常用毒品檢測方法(GC-MS[4]、LC-MS[6])相比具有較低的檢測時間，能夠有效提高對駕駛員的毒駕檢測效率，不同檢測方式用時如表8所示.

表8 不同檢測方式所的檢測時間Table 8 Time taken for different detection methods

常規(guī)的毒品檢測方式CG-MS和LC-MS需要首先對采集到的唾液等試劑進行多種預處理，之后由于試劑的不同導致所需反應時間也有所差異，但整個檢測過程通常耗費較多時間.與試紙檢測的目測法相比，DrugChecking依然有更高的檢測效率.

3.4.4 模型分析

DrugChecking毒駕檢測試紙識別方法采用模塊化思想，降低算法耦合性，具有更高的靈活性和可擴展性，為毒駕試紙檢測提供新的思路.當該模型框架應用于其他領域時，可以根據不同需求進行模塊或算法的修改，例如顏色空間的選擇、主成分分析時特征維度的保留、分類算法的選擇等方面.

表9 不同類別試紙的識別準確率Table 9 Recognition accuracy of different types of test strip

DrugChecking同樣具有較強的抗干擾性，對環(huán)境干擾和試紙污染都能夠有效處理.一方面，此算法是應用于日常道路毒駕檢測，因此檢測環(huán)境的光照、天氣和溫度，所產生的高曝光、陰影、偽影等，都會對圖像的拍攝造成影響.另一方面，待檢測試劑與試紙的反應不可避免的會產生色塊暈染情況.如圖6所示，陰影、偽影和色塊暈染對邊緣的識別具有影響.本文采用多顏色空間融合方式，HSV顏色空間能夠消除圖像中光線所造成的影響，而采用RGB顏色空間和灰度圖能夠排除試紙暈染帶來的干擾.本文采用的測試圖像包含此類干擾圖像，不同類別試紙的識別準確率，如表9所示，DrugChecking對每個類別的試紙都具有較高的識別率.

4 結 論

本文針對毒駕唾檢試紙的特點，提出了一種簡潔、高效的試紙分類方法——DrugChecking.該方法在融合不同顏色空間下的試紙圖像邊緣信息基礎上，提取了毒駕唾檢試紙條區(qū)域，并對試紙條區(qū)域進行降維分類，最終實現毒檢分類.本文針對毒駕唾檢試紙中樣本不平衡的問題，通過數據擴充有效提高了模型魯棒性，并增強模型泛化能力.此外，經試驗驗證，DrugChecking對于常規(guī)道路毒駕檢測具有穩(wěn)定的識別能力和良好的分類性能.在之后的工作中，將進一步提高模型對毒駕唾檢試紙的識別準確率，并加強對處于檢測閾值的弱色塊識別能力.