《一种基于双极系数法的斑马线检测改良方法》由会员分享，可在线阅读，更多相关《一种基于双极系数法的斑马线检测改良方法（9页珍藏版）》请在金锄头文库上搜索。
1、一种基于双极系数法的斑马线检测改良方法 黄新 林倩 桂林电子科技大学电子工程与自动化学院 摘 要： 根据斑马线自身的颜色形状特点, 对导盲系统中的斑马线识别问题进行研究。在双极系数法的基础上针对灰度化处理和线段检测两个方面进行改良, 提出一种综合线性判别式公析 LDA (Linear Discriminant Analysis) 与 EDLines (Edge Drawing Lines) 算法的检测方法。利用 LDA 灰度化图像, 使斑马线与周围路面、行人车辆有明显的区分;采用不均匀分块方式对图像求双极系数图, 同时, 进行区域优化筛选, 再将优化后的双极系数图与二值图融合, 得到候选区域;
2、最后通过 EDLines 进行直线检测, 对线段的长度、斜率、间隙和数量进行判断, 确定斑马线位置。与传统的斑马线检测方法相比, LDA 灰度化能更好地降低路面障碍物的干扰, 而 EDLines 算法则能增强线段检测的准确性。实验结果表明识别率达到 90.3%, 对识别斑马线有良好的效果。关键词： 斑马线; 双极系数; LDA; EDLines; 作者简介：黄新, 副教授, 主研领域:图像处理。作者简介：林倩, 硕士生。收稿日期：2017-02-18基金：广西自动检测技术与仪器重点实验室主任基金项目 (YQ14105) AN IMPROVED METHOD OF ZEBRA CROSSING
3、DETECTION BASED ON BIPOLARITYHuang Xin Lin Qian School of Electronic Engineering and Automation, Guilin University of Electronic Technology; Abstract： According to the characteristics of the zebra crossing s own color and shape, this paper studies the problem of zebra crossing recognition in blind g
4、uiding 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 ma
5、de 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
6、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
7、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.Keyword： Zebra crossing; Bipolarity; LDA; EDLines; Received： 2017-02-180 引言据统计, 全球盲人数量超过 5
8、 000 万, 低视力人群约 1.4 亿人且数量仍呈上升趋势, 对导盲设备的需求量相当庞大。随着机器视觉技术的不断发展, 基于视觉技术的导盲设备在导盲辅具中成为主力军, 而斑马线的识别是视觉导盲系统中的重要部分。对视觉障碍人士来说, 斑马线较盲道更难被感知, 所以提高识别的准确度对盲人的出行安全性意义重大。综合目前已有的斑马线识别的研究成果, 了解到双极系数法是一种识别斑马线比较好的方法, 符合斑马线自身特点且计算速度快。文献1提出将图像灰度化后利用表征灰度图像对比度的双极系数作为判断斑马线位置的关键。文献2在前者的基础上, 对图像进行了“近大远小”的分块操作, 进一步提高了双极系数法的识别率
9、。之后多数研究者都利用双极系数法结合 Canny 算法进行边缘检测, 后进行 Hough 变换提取直线, 根据直线信息以达到识别斑马线的目的3-5。本文针对其中传统的灰度化和直线检测方法进行了修改, 在双极系数法基础上就灰度化缺乏针对性, 直线检测不准确的缺点, 引入 LDA 和 EDLines 算法, 并给出实验效果图。1 检测斑马线区域1.1 LDA 灰度化灰度化是将彩色图像中每个像素包含的 R、G、B 三个分量变为相同, 即投影到一个向量上, 实现三通道图像到单通道图像的转换, 最后生成一幅灰度图像。即将彩色图像中三分量亮度的平均值或是最大值作为灰度图的灰度值, 又或是将三个分量以固定的
10、权值进行加权平均。这种传统的灰度化虽能降低后续图像的计算量, 但当斑马线受到腐蚀、损坏、与路面颜色差别较小时, 会造成区分困难。一般灰度化的公式有三种:LDA 是模式识别的经典算法, 采用的是 Fisher 判别准则函数。其基本思想是找到一组最佳的鉴别矢量, 投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离, 达到好的分类效果。对比传统的灰度化方法, 不仅更具有针对性, 而且能更好地对斑马线和路面作出区分。本文采用 640480 像素大小图像, 剪裁掉图像中不相关部分 (如:天空、路面建筑等) , 保留感兴趣区域后为 640360 像素, 利用 LDA 灰度化增强图像中斑马线与路
11、面的对比度。一般用矩阵的离散度来描述样本的分布, 得到 Fisher 准则:式中:S b表示类间离散度矩阵, 为两个类之间的中心点距离:Sw表示类内离散度, 为矩阵各样本点到该样本点所在类别的中心点的距离和:式中:x i表示第 i 个样本;n i表示属于 i 类的样本个数;u 表示所有样本的均值;ui表示类 i 的样本均值; 为任一 n 维列向量。通过式 (4) 计算, 当选取=0.012, -0.984, 0.005作为投影方向时, J fisher () 达到最大值, 即斑马线与路面的区分效果为最佳。将结果线性变换至灰度图像的亮度值 0255 范围内, 变换后计算每个点的灰度值:式中:G
12、i表示变换之前的图像中每个像素点的灰度值;G min表示变换前的图像中最小的灰度值;G max表示变换前的图像中最大的灰度值。图 1 为选取感兴趣区域后, 存在遮挡物情况下一般灰度化与 LDA 灰度化结果的对比图。图 1 (b) 中斑马线辨识度优于图 1 (a) 。图 1 灰度化对比图 下载原图1.2 双极系数法文献1-2中的双极系数法, 结合斑马线黑白交替的特点及斑马线图像是梯形成像, 对图像进行灰度化处理后, 首先采用“近大远小”的分块方法, 且分块大小要大于斑马线宽度。根据采样图像大小以及拍摄角度, 将图像由近至远分块为 6464、3232、1616、88 像素四种大小。然后利用黑白两色
13、的均值和方差, 遍历整幅图像, 得到每块灰度块的双极系数。设定分割阈值为 0.85, 保留双极性大于阈值的灰度块, 去除双极性小于阈值的灰度块, 最后与二值图相融合, 得到斑马线图像。任意一幅图的灰度分布为 p0 (x) , 假设该图中包含的像素分别为黑色灰度值像素和白色灰度值像素, 则 p0 (x) 可表示为:式中:p 1 (x) 为黑色像素的灰度;p 2 (x) 为白色像素的灰度分布。定义均值:定义方差:结合式 (8) 、式 (9) 、式 (10) , 可得总方差为:若 0 (1-) ( 1- 2) , p0 (x) 所表示的灰度图则几乎是双极性的。定义双极性:由式 (12) 可知, 01
14、。当 =1 时对应的灰度图具有完全双极性, 而当=0 时, 灰度图完全缺乏双极性。对 进行估算, 可改写为:式中:n 为像素点数 , nl、n h分别为灰度图像块的直方图上低灰度级区域和高灰度级区域对应的总像素点数。设定分割阈值为 0.85, 保留双极性大于阈值的灰度块, 去除双极性小于阈值的灰度块, 结果见图 2 (b) 。由于一些斑马线存在磨损及路面有污渍的情况, 还需要对双极系数图进行消噪和形态学处理, 以排除伪斑马线区域的干扰。去除面积小的连通区域, 并进行空洞填充处理, 保留轮廓面积最大的区域作为斑马线候选区。图 2 (c) 为优化后的效果。最后将候选区与二值化图像进行融合, 进一步
15、减小周围线段干扰, 最终确定定位区域图 2 (e) 。图 2 定位斑马线结果 下载原图2 判断斑马线位置确定斑马线区域之后, 要进一步进行特征提取确定斑马线轮廓。一般采用Hough 变换作为直线检测的方法, 通过一种投票算法检测具有特定形状的物体。但 Hough 变换具有一定的局限性, 识别过程中需要经过大量计算且检测过长或过短的线段效果较差, 容易将不连续的直线连接在一起产生错误检测。因此本文改用由 Akinlar 等提出的 EDLines 算法8, 较前者不仅提取速度快, 而且能够提取出干净、连续的边缘。首先利用 Edge Drawing 算法提取边缘像素点。通过高斯滤波抑制噪声后, 根据
16、式 (14) 、式 (15) 计算得到 (x i, yi) 水平和垂直方向的梯度。式中:I (x i, yi) 为像素 (x i, yi) 的灰度值。再经过偏移处理求得每个像素点 (xi, yi) 的梯度模值 T (xi, yi) 和梯度方向 。然后采用局部梯度最大值来筛选候选边缘像素点, 并将这些筛选出的点通过启发式的智能路径算法连接成边缘。选择一个筛选出的像素点, 向上下或左右两端开始连接其他筛选像素点。比较该点领域同一方向三个像素的梯度值大小, 选择其中最大的与之相连。当搜索到区域边界或是与另一条已检测到的边缘相遇时, 停止搜索。图 3 为边缘像素点连接路径原理图, 其中点 (8, 4) 、 (4, 4) 、 (3, 8) 为筛选出的边缘像素点, 其余圆圈点为被连接的点。图 3 边缘像素点连接路径原理图 下载原图采用最小误差距离的边缘分割和最小二乘法拟合直线。最后釆用 Helmholtz 原理9来抑制虚假的直线。图 4 为 Hough
