一種基于顏色紋理與SVM的盲道分割算法

陳 都，王 雷，方天宇

(南京理工大學 電子工程與光電技術學院，南京 210094)

0 引言

為解決盲人出行安全問題，我國在大部分城鎮均鋪設了盲道，但由于非法占用及盲道本身設計不合理等諸多因素，導致電子導盲設備識別率低、大部分盲道沒有實現對應功能。本文利用現有盲道特征和盲道導航系統，提出了一種基于顏色紋理和SVM的盲道分割算法。目前，盲道分割算法主要分為基于顏色、基于紋理兩類。以閾值分割和區域生長等為代表的基于顏色的分割方法[1]效率高，能相對較好地實現盲道分割，但該方法對顏色及光照強度十分敏感，很多時候由于盲道與背景區域顏色相近而無法正確分割；基于紋理的分割方法[2]通過提取紋理特征再對其進行聚類，基本不受顏色和光照影響，能夠相對較好地實現盲道分割，但由于針對不同類型盲道得到不同效果圖，所以普遍性不足，且由于采用聚類方法對紋理特征進行分類，在一定程度上增加了處理時間。此外，現有盲道分割算法針對的盲道背景相對單一，雖然極大降低了盲道檢測難度，但與實際盲道背景相差較大，使算法無法很好地應用于實際盲道分割。

近年來眾多學者對盲道分割算法進行了深入研究。如文獻[3]利用基于顏色聚類的分割算法，在盲道與周圍環境顏色區別不大、或受光照和陰影等干擾時，其盲道分割效果很差；文獻[4]、[5]利用的是基于紋理的分割算法，雖然基本不受光照和陰影影響，但是對不同類型的盲道很難得到理想的分割效果，普適性差。因此本文設計了一種基于顏色紋理和SVM的盲道分割算法(CT-SVM)，其具有良好的普適性和抗噪性，盲道分割效果較好。

首先通過對多組盲道小塊和非盲道小塊樣本進行分析，提取其中紋理特征，并通過分析其在顏色空間中樣本特征差異，再選取樣本在HSV色彩空間下的特征進行分類訓練。最終利用SVN訓練模型對輸入圖像進行特征判斷，將盲道從輸入圖像中提取出來。實驗結果證明，本算法可以準確提取出盲道，具有良好的普適性和抗噪性。

1 支持向量機(SVM)

支持向量機(Support Vector Machine，SVM)是由Vapnik等[6]基于結構風險最小化原理提出的一種有監督的統計學習方法。該方法通過尋求結構化最小風險，提高學習機泛化能力，實現經驗風險和置信范圍最小化，從而達到在樣本量較少的情況下，亦能獲得良好的統計規律，其分類原理分為線性可分與線性不可分兩種情況。

1.1 線性可分

假設有n個線性可分的訓練樣本(x1，y1)，(x2，y2)，…，(xn，yn)，yi∈{1，+1}，均存在權向量ω和偏置b，如圖1所示，其滿足：

yi(ωT·xi+b)≥1,i=1,2,…,n

(1)

針對組別相同的訓練樣本，能夠使用不同的超平面(Hyperplane)進行劃分。利用SVM進行分類，找到最佳權重值ω0以及最佳偏置值b0，ω0和b0能對兩類數據進行最佳分割，且對測試樣本具備最優泛化能力[7]。

1.2 非線性可分

實際生活與自然界中很多問題并不是線性的，如圖1(a)所示，故需要通過一種非線性變換(x→z=?(x))把輸入空間X內的輸入向量x映射到另一個高維的特征空間F中，令其變成線性可分樣本[8]，如圖2(b)所示。

圖1 SVM非線性分類原理圖

在F空間內，z=?(x)屬于線性可分的情況，故式(1)能夠應用于此處，僅需要把x替換為z，即：

(2)

其中，K表示一個非負定對稱函數，即核函數(Kernelfunction)[9]。K通常能夠取不同的函數形式，如多項式函數、高斯函數、徑向基函數等。經過非線性變換后，二次規劃[10]則變成對L(α)求解極值，

(3)

與此同時，分類決策函數變換為：

(4)

其中，

(5)

1.3 支持向量機算法

在使用SVM算法時參照如下步驟：

(1)初始化αi，λ。

(2)Fork= 1，…，itemax執行步驟(3)到步驟(7)。

(3)Fori= 1，…，n執行步驟(4)到步驟(5)。

(4)假設一個變量qi：

(6)

(6)對γ，λ進行計算。

(7)

(8)

(7)若滿足k=itemax亦或是γ=γmax，則循環停止，否則跳轉到步驟(2)，開始執行下個k值。

(8)執行后續計算。

根據以上SVM原理和分類算法[11]，構建一個通用二類分類器，并應用于在復雜環境中的盲道分割。

2 顏色與紋理特征選取

2.1 樣本選取

若使用SVM分類器對盲道進行分割，則需采集盲道區域的正樣本和非盲道區域的負樣本。實驗拍攝了100幅現實生活中盲人在盲道上行走的場景圖像，包含了不同類型盲道。如圖2(a)所示，由于圖像上方的盲道特征極不明顯，且干擾項眾多，故綜合考慮后，對拍攝圖像進行預處理，即將其上方30%舍去，如圖2(b)所示。隨后將50幅圖像作為訓練樣本，另外50幅圖像作為測試樣本。從50幅訓練圖像中隨機截取大小20*20的盲道小塊以及非盲道小塊各100張作為SVM分類器的正負樣本，其中部分樣本如圖4、圖5所示。在截取正樣本時，盡量保證每種類型的盲道小塊數量均勻；在截取負樣本時，使非盲道小塊的種類盡可能多樣化。

圖2 圖像示例

圖3 部分盲道小塊(正樣本)

圖4 部分非盲道小塊(負樣本)

2.2 顏色特征選取

在圖像處理中，經常使用的顏色空間有RGB空間、Lab空間以及HSV空間。

分別計算盲道小塊和非盲道小塊顏色空間的平均值，對比發現，在各個顏色空間中盲道小塊和非盲道小塊樣本差異較大的是HSV顏色空間[12]，故顏色特征選取HSV顏色空間。HSV顏色空間由色調(Hue)、飽和度(Saturation)、亮度(Value)3個通道構成。色調H代表不同類型的顏色；飽和度S代表顏色深淺；亮度V代表顏色明暗，如圖5所示。

圖5 HSV顏色空間對比

圖6 Gabor濾波器三維結構

2.3 紋理特征選取

現階段紋理特征提取主要分為以下4種[4]：基于統計的方法、基于信號處理的方法、基于結構的方法以及基于模型的方法。本文采用的Gabor變換[13-15]屬于基于信號處理的方法。

通常情況下，實Gabor濾波器[16-17]有兩種類型：正弦型Gabor濾波器以及余弦型Gabor濾波器，分別由正弦函數及余弦函數通過調制二維高斯函數獲得，其中正弦Gabor濾波器在空域中是奇對稱函數，而余弦Gabor濾波器則為偶對稱函數。正弦Gabor濾波器與余弦Gabor濾波器的三維示意結構[18]如圖6所示，由圖6可知，Gabor濾波器與簡單細胞的響應相似，此外Gabor濾波器的空間域及頻率域局部化性質相對較好。

Gabor濾波器組的參數難以確定。Tan[19]利用譜峰檢測技術對Gabor濾波器組中心頻率進行自動確定。Li[20]利用免疫遺傳算法確定Gabor濾波器參數。Jain等[5]提出Gabor濾波器組中心頻率依次是：√2，2√2，4√2，…，(Nc/4)√2周期/圖像寬度，其中Nc表示圖像數組列寬。本文從生物視覺的角度確定Gabor濾波器參數，更加貼近人的視覺感知系統。通過參考以上Gabor濾波器參數設計方法，選取Gabor濾波器組波長為：2.82、5.65、11.31、22.62及45.25，方向角為0°、45°、90°、135°。在Gabor濾波之后進行非線性處理，即將圖像經過正弦Gabor及余弦Gabor濾波之后的結果均取平方，然后進行相加，再對其進行開方運算得到Gabor能量。

分別計算盲道小塊與非盲道小塊樣本的Gabor能量平均值，并對其進行對比。發現在Gabor濾波器組中，盲道小塊與非盲道小塊樣本差異較大的是波長為2.82，方向角為0°、45°的Gabor濾波器、波長為5.65，方向角為0°、45°的Gabor濾波器以及波長為11.31，方向角為0°、45°的Gabor濾波器。故紋理特征選取波長分別為2.82、5.65、11.31，方向角分別為0°、45°，即總共3個頻率和2個方向角的Gabor濾波器組，如圖7所示。

圖7 波長為2.82的Gabor能量對比

3 實驗步驟與實驗結果

3.1 實驗步驟

利用SVM分類器訓練樣本。首先，分別計算盲道小塊與非盲道小塊樣本特征向量x、y，其特征向量為第二節中選取的顏色特征和紋理特征的組合，分別是HSV顏色空間的3個特征與波長，分別為2.82、5.65、11.31，方向角分別為0°、45°的Gabor濾波器組的6個特征；然后，將盲道小塊樣本的特征向量x組成正樣本訓練集X= [x1，x2，…，xN]T，將非盲道小塊樣本的特征向量y組成負樣本訓練集Y= [y1，y2，…，yN]T，其中N表示樣本數；最后，將正樣本集X與負樣本集Y輸入SVM分類器中進行訓練，得到SVM訓練模型，其中SVM分類器采用的核函數為多項式函數。

計算測試圖像的特征向量，即HSV顏色空間的3個特征與波長分別為2.82、5.65、11.31，方向角分別為0°、45°的Gabor濾波器組的6個特征，共9個特征；再將測試圖像每一個像素點的特征向量導入SVM訓練模型，對該像素進行分類；最后對分類后的圖像進行二值化，輸出分割后的盲道圖像。

CT-SVM算法步驟如下：

Step1：采集100張盲道正樣本與非盲道負樣本。

Step2：計算盲道正樣本訓練集X與非盲道負樣本訓練集Y，將其輸入SVM分類器中訓練，得到SVM訓練模型。

Step3：計算測試圖像的特征向量，將每個像素點的特征向量輸入SVM訓練模型中進行分類。

Step4：將分類后的圖像進行二值化，即得到分割后的盲道圖像。

3.2 實驗結果

對實際拍攝的盲道圖像進行測試，將文獻[3]、[4]和[5]的測試結果圖進行對比，其中文獻[3]利用基于顏色的分割算法，文獻[4]、[5]利用基于紋理的分割算法。本實驗的硬件環境是：Inter Core i3-2310M CPU 2.10GHz，4G內存，軟件環境是Windows 7 + VS2012。實驗結果如圖8所示。

圖8 各算法的盲道分割結果

表1列出了各種方法對測試圖像進行計算得到與之對應的盲道分割圖消耗的平均運算時間，其中CT-SVM消耗時間相對較少，能夠滿足導盲系統實時性需求。

表1 各算法盲道分割平均時間

4 結語

本文提出了一種基于顏色紋理和SVM的盲道分割算法(CT-SVM)。通過對SVM理論的研究，在此基礎上，選取了盲道小塊和非盲道小塊的HSV色彩空間顏色特征，將Gabor紋理特征與SVM結合，對樣本進行訓練，隨后利用SVM訓練模型對輸入圖像進行特征判斷，最終將盲道從目標區域中分割出來。從實驗結果和分析可以看出CT-SVM克服了現有盲道分割算法僅依賴于某一特性的不足，能較準確、快速地將盲道分割出來，具有良好的普適性和抗噪性，可應用在電子導盲設備上，提高盲道利用率。