基于顯著性檢測的交通標(biāo)志檢測算法

(南京航空航天大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 江蘇 南京 211106)

引言

人類在未知環(huán)境中能夠快速發(fā)現(xiàn)感興趣的和凸顯的事物，例如綠葉叢中的一朵花，這就是視覺注意機(jī)制。正是因?yàn)橐曈X注意機(jī)制，人眼能夠在每秒都要處理海量數(shù)據(jù)的情況下，仍能快速有效的獲取所需信息。這種特性引起了許多學(xué)者們的注意，他們希望計(jì)算機(jī)能通過模擬人眼的這種特性來快速找到感興趣的區(qū)域即顯著性區(qū)域，從而有效減少后續(xù)的圖像處理工作。交通標(biāo)志，是用文字或符號(hào)傳遞引導(dǎo)、限制、警告或指示信息的道路設(shè)施。交通標(biāo)志的設(shè)置醒目、清晰、明亮，充分考慮了人眼的視覺特征，有固定的幾何形狀。但是由于自然環(huán)境的復(fù)雜，各種道路、建筑、車輛、甚至是行人都會(huì)對其顯著性檢測產(chǎn)生干擾，很容易把不是交通標(biāo)志的背景區(qū)域也當(dāng)作顯著性區(qū)域，這無疑給我們的各種應(yīng)用帶來不便。一些交通標(biāo)志圖如圖1所示：

圖1 交通標(biāo)志圖

現(xiàn)有的顯著性目標(biāo)檢測方法大都屬于自底向上的，這種方法不需要先驗(yàn)知識(shí)，運(yùn)行速度快，能滿足實(shí)時(shí)性的需求，發(fā)展也較為成熟，本文的方法也屬于該類。最經(jīng)典的顯著性檢測方法是由Itti[1]于1998年提出的。2007年Hou等人提出了一種基于頻域的SR[4]算法，該方法另辟蹊徑，通過抑制先驗(yàn)信息即圖像中的背景區(qū)域來得到顯著圖。Hou將圖像分為先驗(yàn)信息和新穎信息，通過分析圖像在頻域上的對數(shù)譜，去除掉先驗(yàn)信息，然后進(jìn)行傅里葉反變換得到顯著性區(qū)域。

以上方法都是對傳統(tǒng)的圖片進(jìn)行顯著性檢測的方法，然而交通標(biāo)志顯著性有其特殊性，使用傳統(tǒng)的顯著性檢測方法并不能取得很好的效果，因此本文提出了一種專門針對交通標(biāo)志的顯著性檢測方法.

一、基于圖的圖像區(qū)域劃分

本文采用基于圖的分割算法[11]來對圖像進(jìn)行分割，因?yàn)榛趫D的分割算法實(shí)現(xiàn)簡單，速度比較快，精度也比較高，而且有良好的自適應(yīng)性。具體步驟如下：

(1)計(jì)算每一個(gè)像素點(diǎn)與其8鄰域或4鄰域的不相似度。

(2)將邊按照不相似度非遞減排列(從小到大)排序得到e1,e2,e3...eN。

(3)選擇e1。

(4)對當(dāng)前選擇的邊進(jìn)行合并判斷。設(shè)其所連接的頂點(diǎn)為(vi,vj)。如果滿足合并條件：vi,vj不屬于同一個(gè)區(qū)域：Id(vi)≠Id(vj)；不相似度不大于二者內(nèi)部的不相似度,即，wi,j≤Min(Ci,Cj)，其中wi,j表示連接兩個(gè)頂點(diǎn)的不相似度，Ci表示區(qū)域i的內(nèi)部不相似度，則執(zhí)行步驟(5)。否則執(zhí)行步驟(6)。

(5)更新類標(biāo)號(hào)：將vi,vj的類標(biāo)號(hào)統(tǒng)一為vi的標(biāo)號(hào)。更新該類的不相似度為：

(1)

其中|Ci|表示區(qū)域i的像素?cái)?shù)，隨著像素?cái)?shù)增加，后面一項(xiàng)所起的作用越來越小，k為系數(shù)，可以控制一個(gè)區(qū)域形成的大小。

(6)如果i

二、顏色空間量化與平滑

(一)顏色空間量化

對于一幅中等大小以上的圖像來說，,計(jì)算所有像素之間的差異無疑有很高的時(shí)間復(fù)雜度，一種有效的解決方法就是減少圖像中像素顏色的總數(shù)，然后通過計(jì)算顏色而不是像素之間的顯著性值，這樣就可以有效的減小算法的時(shí)間復(fù)雜度。

在RGB顏色空間中，每個(gè)通道顏色為256，可以考慮將每個(gè)顏色通道分為12等份，然后選擇圖像中出現(xiàn)頻率較高的顏色，并確保這些顏色能夠覆蓋到圖像中95%以上的區(qū)域，去掉圖像中出現(xiàn)頻率較小的顏色并用沒有去除掉的顏色中最接近的顏色代替，這樣通?？梢詫D像中的顏色減小到100以內(nèi)。

(二)顏色空間平滑

雖然可以用顏色量化后的顏色直方圖來高效地計(jì)算顏色對比度，但量化本身可能會(huì)產(chǎn)生瑕疵，因?yàn)橐恍┫嗨频念伾赡鼙涣炕癁椴煌闹怠榱藴p少這種隨機(jī)性給顯著性值計(jì)算帶來的噪聲，本方法用平滑操作來改善每個(gè)顏色的顯著性值。每個(gè)顏色的顯著性值被替換為相似顏色(用Lab距離測量)顯著性值的加權(quán)平均，這個(gè)過程實(shí)質(zhì)上是顏色空間的一種平滑過程。則顏色c的顯著性值改善為：

(2)

由上式可以看出，與顏色c距離越近，則該顏色分配的權(quán)值越大。

顏色空間平滑[17]的具體實(shí)現(xiàn)過程如下：在顏色空間量化過程中，本文在RGB顏色空間下將每個(gè)顏色通道量化為12個(gè)值。雖然量化過程是在RGB顏色空間下進(jìn)行，但是為了顏色距離計(jì)算與人類的視覺感知更加接近，本文選擇在Lab顏色空間下來測量顏色間的距離。

三、顯著性值計(jì)算

(一)區(qū)域顏色選取

在1.2節(jié)中，本文以基于圖的分割算法將圖像分割成多個(gè)區(qū)域[7]，然后為每個(gè)區(qū)域建立顏色直方圖，則可以通過計(jì)算區(qū)域rk與圖像其它區(qū)域的顏色對比度來計(jì)算它的顯著性值，表示為:

S(rk)=∑i≠kw(ri)D(rk,ri)

(3)

其中D(rk,ri)表示兩個(gè)區(qū)域的顏色對比度，w(ri)為區(qū)域ri的權(quán)值，這里表示區(qū)域ri中的像素?cái)?shù)。兩個(gè)區(qū)域的顏色對比度為：

(4)

其中f(ck,i)表示第i個(gè)顏色ck,i在第k個(gè)區(qū)域rk的所有rk種顏色中出現(xiàn)的概率,k={1,2}。從上式可以看出，如果區(qū)域中的每一種顏色都參與計(jì)算，那么時(shí)間復(fù)雜度無疑是很高的，而事實(shí)證明，每個(gè)區(qū)域中只含有圖像直方圖中很少數(shù)目的顏色，這些顏色中的一到兩種顏色是區(qū)域中的主要顏色，為了減少運(yùn)算的時(shí)間復(fù)雜度，只選用區(qū)域中的主要顏色來進(jìn)行計(jì)算。事實(shí)上，每個(gè)區(qū)域具有高度的顏色一致性，用兩種顏色來進(jìn)行計(jì)算的收效甚微，因此，每個(gè)區(qū)域只選用占比最大的一種顏色來進(jìn)行計(jì)算。

(二)空間加權(quán)

在一幅圖像中，距離顯著性區(qū)域越近的區(qū)域?qū)ζ溆绊懺酱?，距離顯著性區(qū)域越遠(yuǎn)的區(qū)域?qū)ζ溆绊懺叫?，因此，要加大較近區(qū)域的權(quán)值，減小較遠(yuǎn)區(qū)域的權(quán)值，則空間加權(quán)系數(shù)可以表示為：

(5)

其中Ds(rk,ri)為區(qū)域rk和ri的空間距離，兩個(gè)區(qū)域的空間距離定義為兩個(gè)區(qū)域重心的歐氏距離，δs表示空間權(quán)值強(qiáng)度。

(三)顏色加權(quán)

交通標(biāo)志的主體顏色為紅、黃、藍(lán)三色，所以以這三種顏色為主體顏色的區(qū)域是顯著性區(qū)域的可能性最大，在RGB以及HSV等顏色空間中，以Lab顏色空間最符合人類的視覺感受，所以本文選擇Lab顏色空間進(jìn)行顏色劃分，其中紅、黃、藍(lán)三種顏色的Lab值為,紅色:(54,81,70)，黃色：(98,-16,93)，藍(lán)色(30,68,-112)，則顏色加權(quán)系數(shù)可以表示為：

(6)

(四)邊界約束

交通標(biāo)志一般位于道路兩旁或者道路上方，因此圖像顯著性區(qū)域更可能位于圖像兩側(cè)或者上側(cè)，一般圖像的顯著性區(qū)域大部分都位于圖像中心及其附近，這就是與一般的圖像顯著性檢測的區(qū)別。因?yàn)榻煌?biāo)志不是位于圖像的中心處，所以要抑制圖像中心區(qū)域的顯著性值。本文選擇距離圖像左側(cè)、右側(cè)以及上側(cè)三分之一距離的三條線為基線，選用區(qū)域中心與這三條基線中最近的一條的距離作為加權(quán)的標(biāo)準(zhǔn)，則加權(quán)系數(shù)可以表示為：

(7)

其中D(rk,Bi)表示區(qū)域rk與基線Bi的距離，i={1,2,3}。σ表示加權(quán)強(qiáng)度，σ越小，權(quán)值越小，越遠(yuǎn)的區(qū)域受抑制程度越大

綜上所述，區(qū)域rk的顯著性值最后可以表示為：

S(rk)=wm(rk)wc(rk)∑k≠iws(rk,ri)w(ri)Dr(rk,ri)

(8)

四、實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)運(yùn)行環(huán)境為windows10，處理器頻率為3.60GHz。測試圖像為不同場景下，不同明暗程度的圖像，圖像大小為360×270，每幅圖像的檢測平均時(shí)間為60ms。由圖2本方法和GC[18]方法的對比可以看出，本方法對交通標(biāo)志的顯著性檢測具有明顯優(yōu)勢。

圖2 交通標(biāo)志檢測效果圖及與GC方法對比

五、總結(jié)

本文提出了一種基于顯著性檢測的交通標(biāo)志檢測方法，通過圖像分割將圖像劃分為一個(gè)個(gè)區(qū)域，利用區(qū)域之間的顏色對比度來來計(jì)算區(qū)域的顯著性值，在計(jì)算過程中，加入了顏色空間量化和平滑以減少算法計(jì)算復(fù)雜度，此外，還利用了顏色加權(quán)和邊緣偏置的方法對圖像顯著性值加以約束，進(jìn)一步提升了檢測結(jié)果的精確度。實(shí)驗(yàn)結(jié)果顯示，該方法能快速有效的檢測出交通標(biāo)志顯著性區(qū)域，對于實(shí)際應(yīng)用有較大意義。

【參考文獻(xiàn)】

[1]Itti L,Koch C,Niebur E.A Model of Saliency-Based Visual Attention for Rapid Scene Analysis[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,1998,20(11):1254-1259.

[2]Klein D A,Frintrop S.Center-surround divergence of feature statistics for salient object detection[C]// IEEE International Conference on Computer Vision.IEEE,2012:2214-2219.

[3]Achanta R,Estrada F,Wils P,et al.Salient region detection and segmentation[J].2008,5008:66-75.

[4]HOU Xiaodi,ZHANG Liqing.Saliency detection:A spectral residual approach[C]// Proceeding of IEEE Conference on Computer Vision and Pattern Recognition,Rio,Brazil,Oct 14-20,2007:1-8.

[5]Achanta R,Hemami S,Estrada F,et al.Frequency-tuned salient region detection[C]// Proceeding of IEEE Conference on Computer Vision and Pattern Recognition,Kyoto,Japan,Sept 29-Oct 2,2009:1597-1604.

[6]Sha C,Li X,Shao Q,et al.Saliency detection via boundary and center priors[C]// International Congress on Image and Signal Processing.IEEE,2014:1066-1071.

[7]Yang H,Xu X,Mu N.Saliency Detection Model for Low Contrast Images Based on Amplitude Spectrum Analysis and Superpixel Segmentation[C]// Bio-Inspired Computing - Theories and Applications.Springer,Singapore,2016:454-460.

[8]Liu Z,Le M,Luo S.Superpixel-based saliency detection[C]// International Workshop on Image Analysis for Multimedia Interactive Services.IEEE,2013:1-4.

[9]ZHAO Gaopeng,YIN Mingfeng,CHEN Yi.Image salient region detection based on histogram[C]// Chinese Control Conference,Xi′an,China,Jul 26-28,2013:3570-3574.