?

基于顏色信息的盲道區域檢測與跟隨算法

2010-07-25 07:16周毅趙群飛
微型電腦應用 2010年8期
關鍵詞:高斯分布盲道高斯

周毅,趙群飛

0 引言

根據2006年第二次全國殘疾人抽樣調查數據公報,我國現有盲人1233萬,大約占殘疾人總數的15%。盲人出行常用的探路方式有盲杖包括電子導盲杖、導盲犬等等。電子導盲杖的導航服務主要包括3個功能部分:感知周圍環境,提供位置信息和行進方向信息和最優路徑規劃?,F有的電子導盲杖系統綜合了多種傳感器信息,文獻[1]中所提導盲系統融合了三維加速度、光和溫度信息,文獻[2]中的系統還包括了GPS和GIS等等。

作者所在實驗室開發了一種基于網絡視像頭和 DSP圖像處理的電子導盲杖系統[3]、[4],從攝像頭采集的視頻信息中檢測出盲道區域,估算出盲道邊界位置,通過聲音或者其它人機交互接口與攜帶該設備的盲人交互,可指引盲人沿著盲道行走。因此,盲道邊界的識別和跟蹤是實現這一技術的首要問題。本文在上述研究的基礎上,重新設計了基于顏色信息的盲道區域識別與跟隨算法,側重于解決在光照改變與盲道路面有投射陰影的條件下盲道區域的檢測,識別出盲道區域后,檢測盲道邊界信息,計算出位置偏差和方向偏差。算法框架如圖:

圖1 算法流程

1 盲道類型

《城市道路和建筑物無障礙設計規范》中對盲道設計做了比較詳細的規定:城市中心區道路、廣場、步行街、商業街、橋梁、隧道、立體交叉及主要建筑物地段的人行道應設盲道;人行天橋、人行地道、人行橫道及主要公交車站應設提示盲道。指引殘疾者向前行走的盲道應為條形的行進盲道;在行進盲道的起點、終點及拐彎處應設圓點形的提示盲道。

典型盲道如圖二所示

圖2 (a)中紅線框出部分為行進盲道(b)中紅線框出部分為提示盲道

2 混合高斯模型與長期﹑短期和陰影混合的高斯模型

盲道的顏色信息是一種有效的圖像特征。物體顏色受光照條件,相機參數,視角等很多因素影響。單一的高斯模型無法很好的表示顏色分布信息。采用混合高斯模型,可以模擬盲道顏色分布信息,并且根據檢測得到的盲道信息實時地更新模型參數。

盲道顏色用由K個高斯分布構成的混合高斯模型來建模,即:

式中,K是混合高斯模型中高斯分布的個數,一般取3–5;X是像素的值,由紅,綠,藍三色分量構成;Wi表示混合模型中第ith個高斯分布的權系數的估計值;iμ和iε分別表示混合高斯模型中第ith個高斯分布的均值向量和協方差矩陣(此處假設像素的紅,綠,藍分量互相獨立);η表示高斯分布概率密度函數。

2.1 混合高斯模型的參數更新

在視頻流中,檢測出盲道區域,同時以檢測出的盲道區域信息,更新混合高斯模型。

如果檢測出混合高斯模型中至少有一個高斯分布與更新用的像素值X匹配,那么混合高斯模型的參數更新規則為:

對于不匹配的高斯分布,它們的均值iμ和協方差矩陣iε保持不變;

對于匹配的高斯分布,它們的均值iμ和協方差矩陣iε按照下式更新:

式中ρ為學習速率。

如果混合高斯模型中沒有高斯分布與用作更新的像素相匹配,那么將最不可能代表盲道的高斯分布重新賦值,即

式中,W0是一個預先給定的較小正值;I為一個3×3的單位矩陣。

然后按照下式更新所有K個高斯分布的權系數ωi:

式中,如果高斯分布與更新用的像素值X匹配,則Mi=1,否則Mi=0。

為了提高系統的處理速度,本文采用隔3取一法,每隔3行和3列取盲道區域像素,更新參數。

2.2 盲道路面檢測

在采集的視頻流中,需要檢測盲道區域,盲道區域的檢測按照如下步驟進行:

選擇上述序列中的前B個高斯分布作為盲道模型。

式中T為預定的閾值T≤1。

1)視屏流中的每一個像素點的值,如果與該B個高斯分布的任何一個匹配,我們就認為該像素點是盲道區域像素點。

2.3 長期混合高斯模型和短期混合的高斯模型

在戶外條件下,盲道顏色信息隨著環境的改變而改變,這要求系統自動地更新盲道顏色模型。

根據混合高斯模型采用的訓練樣本的時間跨度不同,建立了兩個盲道顏色分布的混合高斯模型,短期混合高斯模型和長期混合高斯模型,建立一個能有效及時地適應盲道路面狀況改變的檢測系統。

1) 短期模型:短期模型是以較近時間段內檢測到的盲道信息所建立的模型。該模型更新及時,快速適應光照條件的變化,及時地描述最近時間段內盲道路面情況。在短期模型中,我們引入“學習窗口”的概念,即以最近時間段內的M幀盲道檢測結果圖片作為混合高斯模型的訓練樣本。該學習窗口中的圖片,采用先進先出的方式,當新的N(0≤N≤M)幀盲道圖片進入學習窗口時,淘汰最早進入N幀盲道圖片。每隔一個固定的時間,以這些圖片為學習樣本重新建立與更新短期模型。短期模型的建立與參數更新如3.1節所述。

2) 長期模型:長期模型所采用的訓練樣本擁有更長的時間跨度,本文使用很長時間段內采集的盲道圖片,采用EM(Expectation-maximization)算法估計模型參數。這個模型描述盲道顏色的一個比較穩定的分布。

部分檢測結果如圖三所示:

圖3 (a)盲道原圖 (b)長期模型檢測結果 (c)短期模型檢測結果。

圖3是長期與短期模型的檢測結果。上述檢測結果顯示,短期模型較快的適應了自然條件的變化。長期模型檢測結果比較可靠。

2.4 檢測結果的融合與后期處理

短期模型所采用的學習樣本是系統的檢測結果。在有誤檢的情況下,短期模型將記錄非盲道表面顏色分布狀況,以此短期模型檢測的盲道,將產生誤檢。長期模型因其采用的學習樣本比較可靠,其檢測結果也更加可靠。長期模型檢測結果與短期模型檢測結果按照如下規則進行融合:

1)獲取采集的視頻流中的像素,標記該像素為X;

2)在長期模型中,X被檢測為盲道路面,則在融合后的結果中,該像素所在位置,屬于盲道區域;

3)在長期模型中,檢測X為非盲道路面,短期模型中檢測X為盲道路面,使用如圖四所示3×3模板,統計長期模型檢測結果中,該像素對應位置處其8鄰域信息;

圖4 3×3掩模

式中,vi∈ {0 ,1};Xi是長期模型檢測結果中的像素位置,如果Xi所在位置檢測為盲道區域,則Xi=1,否則Xi=0;T是預定的閾值,在本文中T=2;如果S≥T成立,則在融合后的結果中,像素X所處位置屬于盲道區域;

4)其他情況,在融合后的結果中,該像素位置處,不屬于盲道區域;

融合結果后期處理流程如圖5所示:

圖5 融合結果后期處理算法流程

連通域分析,剔除掉融合結果中,面積較小的連同區域,達到過濾噪聲和減少誤檢的效果。

部分處理結果如圖6所示:

圖6 (a)盲道原圖;(b)融合結果;(c)后期處理結果。

2.5 陰影混合高斯模型

戶外,盲道兩旁栽種的樹木,樹立的標志牌,都在盲道上留下不規則的投射陰影。圖7是沒有投射陰影抑制時的盲道檢測結果。

圖7 (a)盲道原圖;(b)檢測結果

文獻[6]提出,在復雜光照條件下,某一塊固定區域處投射陰影表現出一定的規律性。這個規律性是由很多因素決定的,包括光照條件比較固定,或者,遮擋光線引起投射陰影的物體具有類似的尺度大小。[6]中提出,可以根據投射陰影重復出現的狀況,使用高斯混合陰影模型學習并且記錄陰影分布信息,以此來檢測投射陰影。

本文為陰影信息單獨建立了一個混合高斯模型,狀態參數K=3,稱之為陰影模型。陰影模型的初始化與參數更新規則如3.1中所述。該混合模型的學習樣本,是檢測結果中被檢測為盲道路面投射陰影覆蓋區域的像素點,并且為了保證檢測的準確性,認為只有最大的高斯分量,能夠表征陰影信息,用作投射陰影檢測。

下面將給出投射陰影參數更新和檢測的詳細步驟:

選用[7]中提出的基于YUV信息的全局投射陰影檢測模型,標記出被認為是投射陰影的區域。采集的視頻流中的像素點,該像素點標記為X={XH,XS,XV},如果同時滿足如下條件就將該像素點所在位置標記為投射陰影區域;

其中 μi={μiH, μiS,μiV}是盲道混合高斯模型中,第ith個高斯分量的顏色均值μi在HSV顏色空間中的值;a,β,γ是閾值;

使用[7]中所述方法得到的陰影檢測效果如圖八所示:

圖8 (a)盲道原圖(b)HSV陰影模型檢測結果(c)剔除盲道路面后的結果。

從結果圖上可以看出,HSV陰影模型檢測結果中,很多非投射陰影區域被認為是投射陰影區域,同時非盲道部分區域也被認為是投射陰影區域。

1)HSV陰影模型檢測的結果基礎上,剔除掉在盲道檢測中被判斷為盲道路面的區域。將剩下的標注為投射陰影的區域的信息作為學習樣本,更新陰影模型。

使用陰影模型檢測陰影區域的結果如圖9所示。

圖9 (a)盲道原圖(b)陰影模型檢測結果(c)陰影檢測與盲道檢測融合結果。

3 盲道跟隨算法

盲道分為行進盲道和提示盲道,兩種盲道的作用和出現的位置各不相同,因此對兩種盲道要采取不同的處理策略。

行進盲道的跟隨是按照第3部分描述的算法,分割出盲道區域后,使用霍夫(Hough)算法檢測出盲道邊界。如圖十所示,實線為盲人的前進方向坐標,點劃線為算法找到的行進盲道的盲道邊界,虛線則是根據盲道邊界所繪制的盲道方向坐標。順利找到盲道邊界,就可以斷定盲人仍在盲道區域內,否則系統會給出警告提醒,如果盲人的前進方向與盲道方向偏離(圖4的θ角)太大,則系統也可以給出相應信息讓盲人做出修正。

圖10 行進盲道邊界模型

提示盲道一般設置在行進盲道的起點,終點和拐彎處,若干條盲道的T字型結合部處。提示盲道出現的情況比較復雜,特別是地鐵站火車站里會有很多提示盲道出現,這為盲道區域檢測系統帶來了很大的挑戰,這需要通過其它手段來判斷該處提示盲道的具體作用。因此,本文對提示盲道沒有做額外的處理,只是由系統通過聲音與震動提示出現提示盲道。提示盲道的明顯特征是有若干圓點,采用霍夫變換可檢測圓點,當圓點數量超過某個閾值時系統判斷有提示盲道存在。

4 結論

本文提出了基于顏色信息的盲道區域識別與跟隨算法,側重于解決在光照改變與盲道路面有投射陰影的條件下,盲道區域的檢測,利用混合型高斯模型,消除了顏色變化和日照陰影變化的影響,提高了盲道檢測的可靠性。但是在現實的戶外條件下,城市道路的盲道區域設置情況很復雜,需要設計魯棒性更高的盲道檢測算法,包括加入盲道紋理信息。同時,盲道占用情況比較嚴重,電線桿,圍墻,自行車等等都在擠壓盲道的空間,這就需要在盲道區域檢測系統中,加入障礙物檢測功能,為盲人出行提供必要的安全保障。

[1]Golding A R and Lesh N.Indoor Navigation Using a Diverse Set of Cheap, Wearable Sensor. The Third International Symposium on Wearable Computer, Digest of Papers, 1999[C], Page(s): 29-36.

[2]Loomis J M,Golledge R G,Klatzky R L,Speigle J M.&Tietz J.Personal Guidance System for the Visually Impaired. Proceedings of the 1stAnnual ACM/SIGGAPH Conference On Assistive Technogy Page(s): 85-91,1994[C].

[3]楊超,趙群飛.基于uClinux的嵌入式導航系統[J].計算機工程34卷24期,2008.

[4]柯劍光,趙群飛.基于圖像處理的盲道識別算法[J].計算機工程35卷1期,2009.

[5]KaewTrakulpPong P and Bowden R.An Improved Adaptive Background Mixture Model for Real time Tracking with Shadow Detection Proc. 2ndEuropean Workshop on Advanced Video Based Surveillance Systems, AVBS01. Sept, 2, 2003[C].

[6]Nicolas Martel-Brisson, Andre′ Zaccarin, Learning and Removing Cast Shadows through a Multidistribution Approach[J]IEEE Trans.Pattern Analysis and Machine Intelligence, vol. 29, no. 7, July 2007.

[7]Cucchiara R, Grana C, Piccardi M, Prati A, and Sirotti S,Improving Shadow Suppression in Moving Object Detection with HSV Color Information, Proc. Intelligent Transportation Systems Conf,pp.334-339,2001[C].

猜你喜歡
高斯分布盲道高斯
利用Box-Cox變換對移動通信中小區級業務流量分布的研究
2種非對稱廣義高斯分布模型的構造
數學王子高斯
盲道
天才數學家——高斯
一種基于改進混合高斯模型的前景檢測
盲道上的思考
從自卑到自信 瑞恩·高斯林
請為盲人留出一條道
一種改進的混合高斯模型背景估計方法*
91香蕉高清国产线观看免费-97夜夜澡人人爽人人喊a-99久久久无码国产精品9-国产亚洲日韩欧美综合