基于航拍高分辨率圖像的道路檢測(cè)方法

黃緒勇++高振宇++趙李強(qiáng)++王艷濤

摘 要：隨著計(jì)算機(jī)技術(shù)和攝影技術(shù)的飛速發(fā)展，我們可以實(shí)時(shí)自動(dòng)的獲取到大量的圖像數(shù)據(jù)；如何從這些數(shù)據(jù)中獲取到對(duì)工業(yè)生產(chǎn)有價(jià)值的信息是我們亟待解決的問題。在電力行業(yè)中直升機(jī)巡線已經(jīng)實(shí)現(xiàn)，高壓輸電線與道路的交叉部分往往存在著許多安全隱患，在本文中我們提出了一種基于航拍高分辨率圖像的道路檢測(cè)方法。首先，我們對(duì)高分圖像進(jìn)行降采樣建立圖像金字塔，對(duì)低分辨率圖像進(jìn)行灰度化，直方圖均衡化等操作；第二，我們計(jì)算梯度圖像并對(duì)其進(jìn)行閾值化處理和形態(tài)學(xué)開運(yùn)算處理獲取到類似于道路的疑似目標(biāo)區(qū)域；第三，我們提取目標(biāo)區(qū)域的形狀指數(shù)顏色信息等組成特征空間再采用基于Bayes最小錯(cuò)誤率的分類器對(duì)疑似目標(biāo)進(jìn)行識(shí)別；最后，我們采用基于色彩信息的區(qū)域生長算法對(duì)目標(biāo)區(qū)域進(jìn)行處理，這樣可以連接相鄰目標(biāo)和抑制錯(cuò)誤分類的目標(biāo)。實(shí)驗(yàn)結(jié)果表明我們提出的算法在測(cè)試圖像上集的識(shí)別率為95%。

關(guān)鍵詞：飛機(jī)巡檢；圖像金字塔；特征空間；Bayes分類器；區(qū)域生長圖像分割

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2017）13-0022-03

1 引言

隨著計(jì)算機(jī)技術(shù)和攝影技術(shù)的飛速發(fā)展，航拍圖像的分辨率相對(duì)于以往遙感圖像有了極大的提高，使得航拍技術(shù)和計(jì)算機(jī)視覺計(jì)算應(yīng)用于電力行業(yè)成為了可能。航拍巡線技術(shù)不僅可以實(shí)現(xiàn)電力設(shè)備的帶電巡檢有效的提高巡檢工作的安全性，而且大大的提高巡線的效率達(dá)到實(shí)時(shí)提供巡檢報(bào)告為管理人員提供對(duì)電力系統(tǒng)調(diào)度和維護(hù)的依據(jù)。道路自動(dòng)識(shí)別是機(jī)器視覺和圖像理解領(lǐng)域中的主要問題之一，如果我們能夠找到理想的道路模型，那么我們就可以通過機(jī)器學(xué)習(xí)的方法替代人工識(shí)別的方法[1]。目前，在國際上英國、日本等國的不少研究機(jī)構(gòu)進(jìn)行了基于航拍圖像的道路識(shí)別研究[2-3]他們采用遙感圖像，無人機(jī)航拍圖像，掃描的紙質(zhì)地圖圖像等作為數(shù)據(jù)源；提取的過程可以歸納為自動(dòng)和半自動(dòng)提取。在國內(nèi)，關(guān)于遙感圖像道路提取的研究一直都非常的活躍，張中[4]等提出的基于色彩信息的道路自動(dòng)提取算法是建立在模板匹配的基礎(chǔ)上，在色彩信息比較豐富的情況下可以得到很好的識(shí)別效果；邰小雷[5]通過圖像的梯度信息識(shí)別道路的區(qū)域和邊界信息；董培[6]利用道路和背景在圖像紋理上的差異通過Graph Cut技術(shù)實(shí)現(xiàn)了對(duì)圖像中道路區(qū)域的分割；Alvanz J M[7]提出基于道路區(qū)域的紋理與背景區(qū)域紋理不同的假設(shè)，通過設(shè)置道路區(qū)域的種子點(diǎn)，使用區(qū)域生長來逐步擴(kuò)大道路的區(qū)域。Zhou heiling[8]等使用結(jié)構(gòu)張量對(duì)Graph Cut圖像分割算法進(jìn)行了改進(jìn)，得到了一個(gè)精度較高的道路分割算法但是該算法耗時(shí)較多。

我們?cè)诒疚闹刑岢隽艘环N基于監(jiān)督學(xué)習(xí)的道路提取方法，算法流程如圖1所示。本文的組織架構(gòu)如下，第一部分我們簡要的論述了圖像數(shù)據(jù)道路識(shí)別的意義和國內(nèi)外的發(fā)展現(xiàn)狀；第二部分我們?cè)敿?xì)的介紹了我們所提出的圖像道路識(shí)別算法的實(shí)現(xiàn)；第三部分我們給出了實(shí)驗(yàn)結(jié)果及分析；第四部分我們進(jìn)行了簡單的總結(jié)。

2 基于監(jiān)督學(xué)習(xí)的道路檢測(cè)算法

我們?cè)诜治隽舜罅繖C(jī)巡航拍圖像中的道路特征后，我們把這個(gè)問題歸結(jié)為是監(jiān)督型的機(jī)器學(xué)習(xí)問題。由于道路的概念是一個(gè)主觀的概念，樣本標(biāo)記的行為就是把人們主觀概率傳遞給機(jī)器的過程。所以我們應(yīng)該人為的選擇樣本并將它們標(biāo)記為正本和負(fù)樣本，道路是一個(gè)區(qū)域級(jí)的概念故我們不選擇基于像素級(jí)的特征，由于我們飛機(jī)巡線是在光照比較好的情況下進(jìn)行故我們可以選擇區(qū)域的色彩作為特征。Bayes分類器是被研究最為廣泛的分類器之一，其統(tǒng)計(jì)學(xué)理論基礎(chǔ)比較完善，而且容易實(shí)現(xiàn)，訓(xùn)練過程比較快，性能比較穩(wěn)定，故在我們?cè)O(shè)計(jì)本文中的道路識(shí)別算法時(shí)我們選擇了Bayes分類器。在道路提取的過程中我們對(duì)梯度圖像進(jìn)行了閾值化處理和形態(tài)的開運(yùn)算，這樣不可避免的引入了噪聲導(dǎo)致目標(biāo)區(qū)域的斷裂，故我們?cè)谧R(shí)別的后期使用區(qū)域生長算法對(duì)其進(jìn)行補(bǔ)償，這樣可以有效的提高算法的性能。本文圖像道路識(shí)別算法流程圖1所示。

2.1 道路區(qū)域特征選擇

道路區(qū)域特征空間圖2所示，如何確定適合的特征空間是設(shè)計(jì)模式識(shí)別系統(tǒng)中一個(gè)十分關(guān)鍵的問題。如果選擇的特征空間能使同類模式分布具有緊致性，即各類樣本能分布在該特征空間中彼此分割的區(qū)域內(nèi)，這就為分類器設(shè)計(jì)成功提供了良好的基礎(chǔ)。如果，不同類別的樣本在該特征空間中混疊在一起，再好的設(shè)計(jì)方法也無法提高分類器的準(zhǔn)確性[9]。我們通過大量的實(shí)驗(yàn)嘗試，最后選擇了區(qū)域的形狀指數(shù)（區(qū)域周長與面積比值），區(qū)域灰度值的標(biāo)準(zhǔn)差，區(qū)域灰度的平均值作為特征建立特征空間。在圖2中我們選擇了22個(gè)正樣本o所示和31負(fù)樣本x所示。從圖2中我們可以看到在這個(gè)樣本空間中有少部分的樣本發(fā)生了混疊，這樣我們選擇最小錯(cuò)誤率的Bayes分類器。

2.2 基于最小分類錯(cuò)誤率的Bayes決策準(zhǔn)則

如果我們已知有M類模式，以及這M類模式在n維空間中的統(tǒng)計(jì)分布，即已知各類模式的先驗(yàn)概率以及類條件概率密度函數(shù)。對(duì)于待測(cè)樣品，Bayes公式可以計(jì)算出該樣本分屬各類模式的概率即后驗(yàn)概率；估計(jì)模式X屬于哪個(gè)類別的可能性最大，我們就把模式X歸于可能性最大的那個(gè)類，將后驗(yàn)概率作為判斷待識(shí)別模式歸屬的判據(jù)。Bayes公式（1）所示：

（1）

在實(shí)際的工程問題中，統(tǒng)計(jì)數(shù)據(jù)往往呈現(xiàn)正太分布的特征。我們假設(shè)道路區(qū)域和非道路區(qū)域的特征都服從正態(tài)分布，這樣模型訓(xùn)練的問題就變成了如何利用標(biāo)記的樣品對(duì)正太分布的參數(shù)進(jìn)行估計(jì)的過程。我們采用多維隨機(jī)變量的正態(tài)分布概率密度來模擬道路和非道路特征的概率密度函數(shù)（2）所示：

（2）

這樣我們的道路識(shí)別問題轉(zhuǎn)化為了二分類問題，（2）式中的代表道路特征類或非道路特征類，在我們的實(shí)驗(yàn)中i為0代表道路類，i為1代表非道路類。判別函數(shù)的對(duì)數(shù)形式定義為（3）所示：

（3）

2.3 基于區(qū)域生長的圖像分割

目前主流圖像分割技術(shù)有g(shù)row cut 和graph cut這兩種算法的圖像分割性能都比較好，但是都需要人工交互式處理選擇一些前景區(qū)域和背景區(qū)域。在本文中我們不進(jìn)行交互式處理，故我們選取了region cut作為圖像分割的算法。區(qū)域生長（region cut）是根據(jù)事先定義的準(zhǔn)則將像素聚集成更大區(qū)域的過程。它的思想是從一組生長點(diǎn)開始（在本文中我們采用bayes分類器識(shí)別出來的道路區(qū)域），將與該生長點(diǎn)性質(zhì)相似的相鄰像素與生長點(diǎn)進(jìn)行合并，形成新的生長點(diǎn)，重復(fù)這個(gè)過程直到不能生長為止。我們采用的相似準(zhǔn)則是像素點(diǎn)之間的顏色信息。

3 實(shí)現(xiàn)結(jié)果及分析

我們?cè)赪indows 7 64位上使用Qt和MSVC編譯器實(shí)現(xiàn)了本文中所提出的算法。硬件環(huán)境為：Intel（R） Core（TM） i5-4200U CPU @ 1.6GHz 2.3GHz，4.00GB內(nèi)存。在本文的實(shí)驗(yàn)中我們選擇了22個(gè)正樣本，31個(gè)負(fù)樣本，樣本數(shù)據(jù)如表1所示，在表中我們只給出了10個(gè)數(shù)據(jù)。

3.1 算法的實(shí)時(shí)性能測(cè)試

我們的測(cè)試圖像分辨率為5000萬像素（8688*5792），我們通過均值濾波器進(jìn)行降采樣建立圖像塔形后取第四層圖像分辨率為80萬像素（1086*724），我們算法的處理時(shí)間為38ms這樣的處理速度已經(jīng)達(dá)到實(shí)時(shí)視頻采樣的幀率。所以我們?cè)诒疚闹刑岢龅乃惴梢詿肭度胧皆O(shè)備中作為機(jī)載設(shè)備實(shí)時(shí)給出分析結(jié)果。

3.2 算法的識(shí)別性能測(cè)試

我們隨機(jī)抽取了53個(gè)樣本圖像組成測(cè)試樣本庫，對(duì)本文所提出的算法進(jìn)行了分類性能測(cè)試，測(cè)試結(jié)果如圖3所示，綠色矩形框給出的是真實(shí)道路目標(biāo)，藍(lán)色框給出的是非道路目標(biāo)。

在測(cè)試圖像集上，我們記錄了80個(gè)目標(biāo)的分類結(jié)果如表2所示，算法的正確識(shí)別率為：（TP+TN）/（P+N）=76/80=95%，識(shí)別錯(cuò)誤率為：5%，靈敏度為：TP/P= 94.35%，特效度為：TN/N=95.56%，精度為：TP/（TP+FP）=94.29%。從以上的數(shù)據(jù)中我們看到在我們的測(cè)試庫上面本文的算法可以達(dá)到95%的識(shí)別正確率。

4 結(jié)語

本文提出了一種基于Bayes最小錯(cuò)誤準(zhǔn)則的高分辨率道路檢測(cè)的方法，通過人為標(biāo)記的手段我們選擇出圖像中的道路區(qū)域和非道路區(qū)域；提取這些區(qū)域的三維特征向量（區(qū)域形狀指數(shù)，區(qū)域灰度均值，區(qū)域灰度標(biāo)準(zhǔn)差）訓(xùn)練Bayes分類器；通過Bayes分類器對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)，對(duì)預(yù)測(cè)出的道路區(qū)域進(jìn)行區(qū)域生長分割，進(jìn)一步減少分類器的錯(cuò)誤率。實(shí)驗(yàn)結(jié)果表明本文的算法可以在高分辨率圖像中識(shí)別出道路區(qū)域，運(yùn)行效率可以達(dá)到實(shí)時(shí)性的要求。對(duì)于實(shí)際的飛機(jī)巡檢電力設(shè)備的缺陷故障具有很大的應(yīng)用價(jià)值。

參考文獻(xiàn)

[1]武冰，周石琳，粟毅.一種引入角點(diǎn)特征的遙感圖像道路提取方法[J].計(jì)算機(jī)仿真，2006（10）：209-213.

[2]Stoica Radu， Descombes Xavier， Zerubia Josiane. AGibbs point process for road extraction from remotely sensed images[J].Internatinal Journal of Computer Vision，2004.

[3]Hinz Stefan， Baurngartner Albert. Automatic extraction of urban road networks form multi-view aerial images[J].Photogrammetry and remote sensing，2003.

[4]張中，鮑遠(yuǎn)律，屈靜.彩色公路地圖的道路自動(dòng)提取[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2006（01）：21-26.

[5]邰曉雷.遙感圖像道路信息提取研究[D].昆明理工大學(xué)，2012.

[6]董培，石繁槐.基于小型無人機(jī)航拍圖像的道路檢測(cè)方法[J].計(jì)算機(jī)工程，2015（12）：36-39.

[7]Alvanz J M，atl… Shadow Resistant Road segmentation from a Mobile Monocular System[J].Pattern Recongition and Image Analysis，2007.

[8]Zhou Hailing， Kong Hui， Wei Lei， Efficient Road Detection and Tracking for Unnamed Aerial Vehicle[J].IEEE Transactions on Intelligent Transportation Systems，2015.

[9]楊淑瑩.模式識(shí)別與智能計(jì)算---Matlab技術(shù)實(shí)現(xiàn)（第二版）[M].電子工業(yè)出版社，2011.