基于機(jī)器學(xué)習(xí)的圖像偏色檢測(cè)

馬成前　王　利　劉　暢

(武漢理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系　湖北 武漢 430070)

0　引　言

目前，城市視頻監(jiān)控已經(jīng)基本覆蓋整個(gè)馬路，視頻監(jiān)控能夠在緊急情況下提供現(xiàn)場(chǎng)的圖像信息，為相應(yīng)的處理提供證據(jù)。視頻監(jiān)控實(shí)際情況復(fù)雜多變，視頻監(jiān)控場(chǎng)景很多，光線變化、攝像機(jī)故障等原因都會(huì)導(dǎo)致偏色。為了能夠及時(shí)處理偏色異常，需要一直對(duì)視頻檢測(cè)，為了減輕人力負(fù)擔(dān)，本文提出一種基于機(jī)器學(xué)習(xí)的圖像偏色檢測(cè)方法，來判斷監(jiān)控是否正常。

鑒于研究背景，目前的模型都不能很好地處理，而且普遍存在一個(gè)問題，不能對(duì)部分偏色的圖片進(jìn)行鑒定。本文針對(duì)馬路視頻監(jiān)控的背景，和現(xiàn)有方法目前出現(xiàn)的問題，提出一種基于YUV顏色空間下的智能偏色檢測(cè)方法。本文創(chuàng)新點(diǎn)：提出基于機(jī)器學(xué)習(xí)對(duì)圖片分而治之的偏色檢測(cè)模型。模型創(chuàng)新點(diǎn)包含：對(duì)圖片采用分而治之的思想，提出一種圖片分割方法，判斷圖片部分偏色；將灰色理論應(yīng)用于YUV色彩空間。實(shí)驗(yàn)結(jié)果表明，該模型能夠有效檢測(cè)馬路視頻偏色異常。

1　基于機(jī)器學(xué)習(xí)的圖片偏色檢測(cè)

要解決圖片偏色問題，需要分析圖片顏色特征、空間特征、紋理特征等信息。馬路視頻圖片環(huán)境較為復(fù)雜，場(chǎng)景又比較單一。為此，本文提出基于機(jī)器學(xué)習(xí)對(duì)圖片分而治之的偏色檢測(cè)模型，模型總體包含五步，采用YUV色彩空間，在此基礎(chǔ)上依次對(duì)圖片去灰、分割、特征值提取、機(jī)器學(xué)習(xí)、檢測(cè)圖片偏色。圖1為偏色檢測(cè)流程圖，圖中描述了根據(jù)人工確認(rèn)的偏色狀態(tài)，采用監(jiān)督性機(jī)器學(xué)習(xí)算法，得到分類器。計(jì)算未知圖片的特征值，分類器根據(jù)特征值即可得到偏色狀態(tài)。

圖1　偏色檢測(cè)流程圖

1.1　顏色空間的選擇

為了能夠更加準(zhǔn)確、快速地衡量圖片的偏色，需要選擇合適的色彩空間。YUV色彩空間是歐洲電視使用的色彩空間，而且也是攝影機(jī)專用色彩空間。其中Y表示明亮度，U和V表示色度。YUV與RGB轉(zhuǎn)換公式：

(1)

這種色度空間剛好符合本文論題。因?yàn)轳R路視頻監(jiān)控是灰色環(huán)境，人眼對(duì)R=G=B的圖像，認(rèn)為是灰色的[7]。也就是Y的值會(huì)決定灰度，這會(huì)方便對(duì)圖像進(jìn)行去灰處理和有效特征值提取。

1.2　圖片去灰

對(duì)得到的圖片進(jìn)行去灰處理，判斷像素點(diǎn)的UV值即可判斷出是不是灰度像素點(diǎn)。因?yàn)閷?shí)際總不是那么理想，為了消除誤差，設(shè)置閾值：

(2)

式中：PσU、PσV是像素點(diǎn)U和V的閾值。這個(gè)值的合理程度會(huì)影響能否分割圖片。經(jīng)過實(shí)驗(yàn)在普通的道路上閾值為10較為合理。那么得到灰度點(diǎn)集：

(3)

式中：P表示所有像素點(diǎn)，pY、pU、pV分別表示p點(diǎn)的YUV像素值，檢測(cè)出P0之后將P0的所有點(diǎn)的YUV固定表示為特定值。

1.3　圖片分割

對(duì)得到的圖片取四個(gè)集合：

(4)

建立一個(gè)二維坐標(biāo)，圖片在坐標(biāo)軸的第一象限，圖片左下角在坐標(biāo)原點(diǎn)，px表示p點(diǎn)橫向坐標(biāo)，py表示p點(diǎn)縱向坐標(biāo)，Pt、Pb、Pl、Pr分別表示圖片上下左右邊界上的像素點(diǎn)，PxMax、PyMax表示圖片橫、縱坐標(biāo)最大值。本文采用經(jīng)典算法Floyd算法[8]，尋找Pl到Pr集合的最短路徑，Pl到Pr為起點(diǎn)和終點(diǎn)集合，走的路的集合為P0，得到矩陣：

(5)

1.4　機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)的選擇：人工神經(jīng)網(wǎng)絡(luò)是一種模擬人類大腦的數(shù)學(xué)模型，有大量的神經(jīng)元鏈接構(gòu)成，是能夠處理復(fù)雜邏輯關(guān)系和非線性數(shù)據(jù)的模型，強(qiáng)大學(xué)習(xí)能力、較強(qiáng)魯棒性、有聯(lián)想能力。BP神經(jīng)網(wǎng)絡(luò)使用較為頻繁，是一種通過對(duì)大量樣本的分析糾正，達(dá)到對(duì)所有實(shí)例數(shù)據(jù)的預(yù)測(cè)。但是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，需要大量的參數(shù)，難以對(duì)結(jié)果解釋清楚，甚至?xí)霈F(xiàn)很不理想的學(xué)習(xí)結(jié)果[10-11,15]。支持向量機(jī)是一個(gè)監(jiān)督式的機(jī)分類器，基于統(tǒng)計(jì)學(xué)習(xí)理論、尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小，間隔最大化。主要應(yīng)用于統(tǒng)計(jì)分類和回歸分析，適合處理高維問題，能夠解決非線性的相互作用問題，有很好的泛化能力。但是有效率較低、核函數(shù)難以選擇、缺失數(shù)據(jù)影響較大等問題[9,15]。樸素貝葉斯分類器是統(tǒng)計(jì)分類算法，以古典數(shù)學(xué)理論為基礎(chǔ)，有穩(wěn)定的分類效率，對(duì)缺失數(shù)據(jù)不敏感，里面的各個(gè)類條件是獨(dú)立的，只需要少量訓(xùn)練數(shù)據(jù)即可。但是不能確定特征值之間的相互作用，對(duì)輸入數(shù)據(jù)的表達(dá)形式有要求[12,15]。K-Means聚類就是在多維空間中，計(jì)算測(cè)試樣本與種子點(diǎn)(一種類別的重心)的距離來進(jìn)行分類，簇的密集程度和形狀會(huì)較大程度影響結(jié)果，噪聲的影響巨大[13,15]。決策樹分類算法主要應(yīng)用于數(shù)據(jù)挖掘算法，能夠?qū)﹄x散數(shù)值型數(shù)據(jù)提取蘊(yùn)含的規(guī)律，有復(fù)雜度低、便于使用、高效等優(yōu)點(diǎn)。但是數(shù)據(jù)缺失處理困難，經(jīng)常出現(xiàn)過度擬合，忽略了特征值之間的關(guān)系。經(jīng)典算法有ID3、C4.5等[14-15]。

判斷圖片是否偏色，是一個(gè)二分類問題：偏色、正常。圖片有很多像素點(diǎn)，每一個(gè)像素點(diǎn)，單獨(dú)來看沒有實(shí)際意義，只有所有像素點(diǎn)組合才能近似表現(xiàn)實(shí)際物體。所以本文根據(jù)數(shù)學(xué)統(tǒng)計(jì)知識(shí)，提取圖片全局特征值。

在馬路場(chǎng)景下灰度是個(gè)重要因素，提取灰度特征值：

(6)

式中：η為灰度比例。

pU、pV是圖片的色彩分布值，然而色彩的集中趨勢(shì)、色彩的偏離程度會(huì)直接體現(xiàn)圖片色度分布情況，下面分別提取U和V的數(shù)據(jù)集中位置和離散程度：

(7)

(8)

(9)

兩種色彩的相關(guān)程度對(duì)圖片的色彩偏向起決定性作用，實(shí)驗(yàn)中發(fā)現(xiàn)，U和V的相關(guān)性系數(shù)，在偏色圖片與正常圖片中有明顯區(qū)別。

(10)

式中：EUV表示所有像素點(diǎn)pV、pU的平均值，DUV表示pV、pU的相關(guān)性，會(huì)體現(xiàn)多種偏色特征。上面提取的特征值是圖片必須的特征，而非所有的。下面假設(shè)，每張圖片得到的特征值為：

(11)

每張圖片有n個(gè)特征值，需根據(jù)每張圖片的特征數(shù)據(jù)，對(duì)圖片進(jìn)行監(jiān)督性的分類。本文擬采用BP神經(jīng)網(wǎng)絡(luò)和SVM支持向量機(jī)算法。

2　實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證模型的正確性，本文使用武漢平安城市馬路視頻圖像，攝像機(jī)參數(shù)不詳。為了具有針對(duì)性，在偏色種類方面，測(cè)試采用數(shù)據(jù)已經(jīng)盡可能包含所有可見光偏色情況；偏色區(qū)域方面，包含局部偏色、全局偏色、不偏色等情況；圖片光強(qiáng)部分，默認(rèn)圖片全是白天的。

首先選定YUV與RGB轉(zhuǎn)換公式：

(12)

然后選取PσV=10閾值和P0點(diǎn)的固定值：Y=0,U=128,U=128。經(jīng)過去灰和分割處理，得到如圖2、圖3、圖4的去灰圖和分割圖，圖中的顏色均以灰度表示。在正常圖2和偏色圖片3(圖片偏淡紫色)中顯示，去灰程序會(huì)把滿足條件的灰度部分置為黑色，其他部分的色彩保持原狀，因?yàn)閷ぢ匪惴ú荒苷业綕M足條件的路徑，所以圖片沒有被分割。圖4是局部偏色圖片，左側(cè)偏青綠色，右邊偏淺紅色，去灰后會(huì)出現(xiàn)黑色分界線，在尋路算法部分就會(huì)找到路徑，然后對(duì)圖片進(jìn)行分割，然后得到圖4(c)、(d)兩張圖片，(c)偏青綠色，(d)偏淺紅色。

圖2　正常圖片預(yù)處理前后對(duì)比

(a) 部分偏色圖

(b) 去灰圖

(c) 分割圖a

(d) 分割圖b圖4　部分偏色圖片預(yù)處理前后對(duì)比

如果圖片沒有被分開，就提取去灰后的圖片的特征值；如果圖片被分割，就分別提取每部分的特征值分開處理，這樣被分開后的圖片只要有一張是偏色就認(rèn)定原始圖像偏色。表1是樣本數(shù)據(jù)。

表1　特征值提取樣本數(shù)據(jù)

根據(jù)得到的特征值數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)，分別隨機(jī)選擇偏色、正常的一部分?jǐn)?shù)據(jù)進(jìn)行訓(xùn)練，剩下的進(jìn)行檢測(cè)。本文分別采用了BP神經(jīng)網(wǎng)絡(luò)和SVM兩種方法，采用MATLAB仿真，根據(jù)多次實(shí)驗(yàn)選擇最好的參數(shù)，BP方法采用500次訓(xùn)練次數(shù)、目標(biāo)最小誤差0.01、學(xué)習(xí)速率0.01、附加動(dòng)量因子0.95最大確認(rèn)失敗數(shù)5等。SVM采用高斯指定尺度因子2、多項(xiàng)式核3階、核參數(shù)[-1,1]、分離方法SMO，得到結(jié)果如圖5所示。在BP方法中效果良好，50次的平均正確率為95.846 2%。在SVM中正確率為96.795%。根據(jù)實(shí)驗(yàn)結(jié)果顯示，用這兩個(gè)機(jī)器學(xué)習(xí)算法都能很好地完成圖片偏色檢測(cè)，正確率均在95%左右，效果良好。表2為SVM和BP的詳細(xì)結(jié)果。

圖5　BP和SVM結(jié)果對(duì)比

方法偏色圖片序號(hào)偏色正確率正常圖片序號(hào)正常正確率總體正確率SVM124,170,178,22296.491%6997.619%96.795%BP17899.123%62,65,7192.857%97.436%100.000%63,65,69,74,82,8685.714%96.154%116,12098.246%69,8695.238%97.436%126,17898.246%63,64,65,69,74,86,8883.333%94.231%120,19498.246%65,69,8692.857%96.795%170,17898.246%62,65,69,8690.476%96.154%14499.123%69,74,80,84,8688.095%96.154%19499.123%56,57,63,68,70,71,74,86,9178.571%93.590%12099.123%63,65,69,71,80,84,86,8980.952%94.231%120,124,17897.368%69,71,75,86,89,9185.714%94.231%

分析得到的結(jié)果，可發(fā)現(xiàn)以下問題：得到的分割圖片有可能無法分開偏色部分，是因?yàn)榛疑^濾并沒有將偏色完全分開，這會(huì)影響到對(duì)圖片的偏色檢測(cè)；對(duì)于過度灰色圖片會(huì)得到全黑的圖片，這是因?yàn)镕loyd尋路算法找到了圖片邊界作為分割路徑，后來在程序中控制邊界情況后效果良好。

經(jīng)過計(jì)算，得到結(jié)果衡量指標(biāo)[15]，如表3所示。

表3　SVM 和BP結(jié)果指標(biāo)

針對(duì)本題背景，漏警概率為偏色的圖片被識(shí)別為正常，這個(gè)值應(yīng)該越小越好，虛警概率表示正常圖片被誤判，在判定為偏色圖片中所占的比例，這個(gè)值也應(yīng)該越小越好?？傮w來說漏警概率重要程度大于虛警概率，需要保證盡可能不漏掉所有的偏色圖片。根據(jù)以上指標(biāo)顯示，該模型能夠達(dá)到良好的效果。

3　結(jié)　語

本文從圖片提取、圖片預(yù)處理、特征向量提取、機(jī)器學(xué)習(xí)幾個(gè)方面闡述了基于機(jī)器學(xué)習(xí)對(duì)圖片分而治之的偏色檢測(cè)模型。該模型用于馬路視頻圖像偏色檢測(cè)，保證監(jiān)控偏色異常能及時(shí)發(fā)現(xiàn)，以便下一步處理。重點(diǎn)介紹本模型的圖片預(yù)處理、特征值提取方法，并介紹了采用方法的優(yōu)缺點(diǎn)。雖然實(shí)驗(yàn)結(jié)果良好，可是馬路情況難以預(yù)測(cè)，本文的局部偏色方法有良好的結(jié)果，但是不能檢測(cè)出所有的局部偏色，比如圖片內(nèi)部局部偏色。另外機(jī)器學(xué)習(xí)是處理大數(shù)據(jù)的方法，需要包含足夠的數(shù)據(jù)量，涵蓋所有的情況。圖片特征值提取直接影響到機(jī)器識(shí)別的準(zhǔn)確度，未來工作旨在尋找更能體現(xiàn)偏色的特征值和足夠的機(jī)器訓(xùn)練樣本。

[1] 方紫娟,謝正祥,呂霞付,等. 一種改進(jìn)的基于暗通道先驗(yàn)知識(shí)的去霧算法[J]. 微電子學(xué)與計(jì)算機(jī),2014(5):74-78.

[2] 巢琳, 楊鳴. 基于圖像偏色檢測(cè)的自動(dòng)白平衡算法研究[J]. 移動(dòng)通信, 2015(8):80-83.

[3] 徐曉昭,蔡軼珩,劉長江,等. 基于圖像分析的偏色檢測(cè)及顏色校正方法[J]. 測(cè)控技術(shù),2008,27(5):10-12,21.

[4] 夏東. 基于Lab色度空間的視頻圖像偏色檢測(cè)方法: 201310336726.8[P]. 2013-11-20.

[5] Cooper T J. Color cast detection and removal in digital images: US6377702[P/OL]. 2002-4-23. http://www.google.com/patents/US6377702.

[6] 姚洪濤, 田青青, 蘇偉,等. 基于彩色直方圖均衡化的自動(dòng)白平衡算法研究[J]. 長春理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 2014(4):104-107.

[7] 鄭秀娥. 淺談圖像偏色的校正[J]. 山東工業(yè)技術(shù),2015(12):216.

[8] Gao Y, Yang L, Li S, et al. On distribution function of the diameter in uncertain graph[J]. Information Sciences, 2015, 296(1):61-74.

[9] Zhang C, Wang T, Atkinson P M, et al. A novel multi-parameter support vector machine for image classification[J]. International Journal of Remote Sensing, 2015, 36(7):1890-1906.

[10] Zhang J, Yang Y P, Zhang J M. A MEC-BP-Adaboost neural network-based color correction algorithm for color image acquisition equipments[J]. Optik-International Journal for Light and Electron Optics, 2016, 127(2):776-780.

[11] 薛俊韜, 縱蘊(yùn)瑞, 楊正瓴. 基于改進(jìn)的YCbCr空間及多特征融合的手勢(shì)識(shí)別[J]. 計(jì)算機(jī)應(yīng)用與軟件,2016,33(1):151-155.

[12] Friedman N, Geiger D, Goldszmidt M. Bayesian Network Classifiers[J]. Machine Learning, 1997,29(2):131-163.

[13] Kanungo T, Mount D M, Netanyahu N S, et al. An efficient k-means clustering algorithm: analysis and implementation[J].IEEE Transactions on Pattern Analysis & Machine Intelligence, 2002,24(7):881-892.

[14] Arvind V, Bler J, Kuhnert S, et al. On the isomorphism problem for decision trees and decision lists[J].Theoretical Computer Science, 2015,590(C):38-54.

[15] 周志華. 機(jī)器學(xué)習(xí)[M].北京:清華大學(xué)出版社,2016:23-169.