多特征融合的交通標(biāo)識視認(rèn)性評測方法

徐 聰，全恩懋，梁華剛

(1.重慶郵電大學(xué)，重慶 400065；2.長安大學(xué)，西安 710064)

0 引 言

為確保道路信息的有效傳達，人們針對交通標(biāo)識的視認(rèn)性問題展開了研究[1-5]。影響交通標(biāo)識辨別的因素眾多[6-7]，主要分為標(biāo)識與背景自身因素[8-10]、標(biāo)識與背景的對比因素[11]。標(biāo)識與背景的自身因素方面，文獻[12]證明了背景的復(fù)雜度對視認(rèn)性有很大的影響，對此提出了基于背景復(fù)雜度對比的紅綠燈的視認(rèn)性的評測方法；Siegmann等[13]利用標(biāo)志牌的亮度特征提出視認(rèn)性的評測方法,提出利用顏色直方圖來表示標(biāo)識牌；Maerz等[14]通過分析不同標(biāo)識牌對應(yīng)的標(biāo)志領(lǐng)域的亮度值，基于RGB各成分來推斷視認(rèn)性的方法。標(biāo)識與背景的對比方面，K Doman等[15]提出了通過累積標(biāo)志一系列瞬時視認(rèn)性，估計其累積視認(rèn)性，使在動態(tài)場景下，背景環(huán)境隨時間變化也能夠準(zhǔn)確估計標(biāo)志牌視認(rèn)性。

雖然學(xué)者們對視認(rèn)性評測方法進行了研究，但方法仍存在不足。目前方法多出于通過單個特征對視認(rèn)性進行推斷，缺乏對更多影響因素的考慮。若考慮復(fù)合因素對視認(rèn)性推斷的影響，需考慮分析特征的選取和其結(jié)果對視認(rèn)性精度的影響。

本文提出多特征融合的交通標(biāo)識的視認(rèn)性的評測方法。在靜態(tài)實驗的基礎(chǔ)上，選取將6種圖像特征對視認(rèn)性進行評測，特征包括：標(biāo)志牌的表面亮度特征、顏色特征以及標(biāo)志牌復(fù)雜度特征、標(biāo)志牌與背景的亮度對比特征、顏色對比特征、復(fù)雜度對比特征進行融合，提出多特征融合的視認(rèn)性評測模型。

1 交通標(biāo)識視認(rèn)性評測方法

1.1 基于圖像特征的視認(rèn)性評價模型

在認(rèn)知神經(jīng)科學(xué)領(lǐng)域，選擇性注意是人類感知系統(tǒng)從外部環(huán)境獲取信息的重要生理機制。人眼在視覺圖像辨認(rèn)的過程中，通過視覺刺激進行一系列快速的眼球跳動來改變注意點位置，視覺刺激不僅來自于對象本身，還受觀察者大腦的影響[16]。在視覺注意機制中，這兩類因素分別稱為自頂向下(top-down)和自底向上(bottom-up)信息處理模型[17]。其中自頂向下模型的視覺注意點的定位和轉(zhuǎn)移取決于先驗知識即任務(wù)目標(biāo)，而自底向上模型視覺注意點的定位和轉(zhuǎn)移純粹取決于視覺刺激本身，且兩者存在相互作用[18]，即若模型引入適當(dāng)?shù)南闰炛R和充分利用圖像信息的話，能夠更好地促進計算機視覺的探索。

以交通標(biāo)識為對象，利用自頂向下處理模型以交通標(biāo)識為任務(wù)目標(biāo)，自底向上處理模型充分利用標(biāo)識對象和背景的對比特征，進行視認(rèn)性評測。將視認(rèn)性評測值V與交通標(biāo)識表面特證a、標(biāo)志與背景的對比特征b公式化，表示為

V=Fa(a)+Fb(b)+Fa×b(a,b)

(1)

(1)式中，等號右邊3項分別表示對視認(rèn)性值V的影響，第1項是標(biāo)志與背景的對比特征；第2項是標(biāo)志表面特征；第3項是兩者的相互作用(交差項)。

求解以a1，a2，a3，b1，b2，b3等為變量組成的P維多項式(P≥2)以獲取視認(rèn)性值。當(dāng)P=2時，可表示為

(2)

(3)

(3)式即為求取視認(rèn)性評測值V的多特征融合模型，Wa，Wb，Wa×b是各項的系數(shù)行列式。為求得系數(shù)矩陣W，本文通過學(xué)習(xí)數(shù)據(jù)，利用線性回歸[19]和最小二乘法對W矩陣進行求取。

1.2 CIELab顏色空間

(4)

由于RGB(red, green, blue)和CIELab之間沒有直接的轉(zhuǎn)換公式，則必須利用通道XYZ顏色空間作為中間層[20]。XYZ空間到CIELab之間的轉(zhuǎn)換為

L*=116f(Y/Yn),

a*=500[f(X/Xn)-Y/Yn],

b*=100[f(Y/Yn)-f(Z/Zn)]

(5)

(6)

1.3 標(biāo)志牌表面特征求取

交通標(biāo)識的表面特征是影響視認(rèn)性評測的重要組成因素，特別是標(biāo)志牌的亮度、顏色和復(fù)雜度(信息量)特征。作為先驗知識，駕駛員在駕駛資格證考試中必須先對已有的常見的交通標(biāo)示牌進行學(xué)習(xí)記憶，在后續(xù)的駕駛中，每當(dāng)遇見標(biāo)志牌時就會在大腦中進行匹配來識別內(nèi)容。與印象中的標(biāo)志牌越相似，則視認(rèn)性越高?；谏鲜龇治?，以標(biāo)準(zhǔn)交通標(biāo)識作為模版進行分析。

選取k種交通標(biāo)識，設(shè)相對應(yīng)的模版標(biāo)志為Sk，測試圖像中的標(biāo)志牌亮度特征、顏色特征、圖案復(fù)雜度特征與模版標(biāo)志牌S-Sk間的相似程度，并分別表示為a1，a2，a3，如(7)—(9)式。

(7)

(8)

(9)

1.4 標(biāo)志牌與背景的對比特征求取

常見的對比特征的計算是將目標(biāo)外的領(lǐng)域全部當(dāng)作背景來進行處理的，與背景對比的亮度對比特征X1、顏色對比特征X2、復(fù)雜度對比特征X3特征如(10)—(12)式。

X1=|Ys-Yb|

(10)

(11)

X3=|Es-Eb|

(12)

(10)—(12)式中：Ys，Yb分別為標(biāo)志和背景區(qū)域的平均灰度亮度值；Rs，Gs，Bs為標(biāo)志區(qū)域的平均RGB值，Rb，Gb，Bb為背景區(qū)域的平均RGB值；Es，Eb分別為標(biāo)志和背景區(qū)域的平均邊緣強度，標(biāo)志牌邊緣強度同背景邊緣強度差異性越大，標(biāo)志牌越容易辨別。標(biāo)志牌邊緣強度同背景邊緣強度差異性越小，標(biāo)志牌越難以辨別，甚至被認(rèn)為是背景的一部分。文獻[21]在車載相機的實驗中證明了背景復(fù)雜度對比特征的有效性。

但在實際情況下，道路標(biāo)志的周圍存在具有不同圖像特征的區(qū)域，可以認(rèn)為離標(biāo)志越近且領(lǐng)域越大，對標(biāo)志的影響也越大。為提高視認(rèn)性評測值的準(zhǔn)確率，采用基于CIELAB彩色空間的K-means聚類圖像分割方法分割背景。

K-means算法的基本思想：以空間中k個點為中心進行聚類,對最靠近他們的對象歸類。通過迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結(jié)果[22]。

假設(shè)把樣本集分為n個類別，令標(biāo)志區(qū)域為s，僅對背景區(qū)域做下列操作，算法描述如下。

1)適當(dāng)選擇k個對象作為n個類的初始聚類中心；

2)對于剩下的對象根據(jù)聚類中心的相似度，求其到n個中心的距離，將其分類給與其最相似的聚類；

3)更新該類的中心值；

4)重復(fù)2)，3)步驟直到標(biāo)準(zhǔn)測度函數(shù)收斂。

對包含標(biāo)志圖的圖像背景區(qū)域進行K-means劃分，將背景區(qū)域聚類成3類，聚類初始中心點在標(biāo)志區(qū)域外隨機選取，除標(biāo)志區(qū)域，其他區(qū)域均為聚類對象。通過以上步驟，得到如圖1b所示圖像，其中，背景部分包含多個不同區(qū)域。

(13)

(14)

(15)

圖1 K-means聚類分割結(jié)果圖Fig.1 K-means clustering segmentation result graph

2 視認(rèn)性評價標(biāo)準(zhǔn)值獲取

問卷調(diào)查常被用于測量調(diào)查者的態(tài)度、認(rèn)知等潛在特征[22-23]，為了證明上述交通標(biāo)識視認(rèn)性評價模型的有效性，通過建立視認(rèn)性的標(biāo)準(zhǔn)值來進行對比分析。本文采用靜態(tài)實驗方法，不考慮行車狀態(tài)對視認(rèn)性的影響，視認(rèn)性的標(biāo)準(zhǔn)值通過問卷調(diào)查法求取。本文采用文獻[24]中一種模糊形式李克特矢量表。將模糊語言變量設(shè)定為總和為100%的百分比形式的條件選項，被測試者可針對設(shè)置的每個模糊語言變量選擇切實心理狀態(tài)所占的百分比數(shù)。

(16)

選取5名測試者對某個標(biāo)識牌圖像進行識別，語義選項設(shè)定為5個區(qū)間，分別為無法分辨、不清楚、稍微清楚、清晰、非常清晰。統(tǒng)計測試者的心理狀態(tài)，統(tǒng)計比例結(jié)果如表1所示。

表1 5位測試人員對應(yīng)于各選項的隸屬度選擇

將視認(rèn)性程度在[0,1]上等分為5份，且令Mj為區(qū)分度區(qū)間的中點值{0.073，0.292，0.511，0.730，0.949}，對100張交通標(biāo)識的視認(rèn)性值進行統(tǒng)計。

3 實 驗

視認(rèn)性測評實驗中，利用Matlab對視認(rèn)性評測模型進行推斷。選取500幅白天不同光照條件下550×550的標(biāo)志周邊圖像，其中圓形標(biāo)志牌占120×120個像素點。將標(biāo)志周邊圖像均分為50組。將圖像數(shù)據(jù)分為用來訓(xùn)練學(xué)習(xí)和進行測試的2組，選用其中9組圖像進行線性回歸求取式未知系數(shù)，10組作為測試組，40組數(shù)據(jù)反復(fù)操作。最后，利用視認(rèn)性標(biāo)準(zhǔn)評價值求取各個方法視認(rèn)性評測值的絕對誤差(mean absolute error， MAE)和標(biāo)準(zhǔn)偏差(standard deviation，SD)，判斷各方法的視認(rèn)性評測精度。

3.1 實驗結(jié)果與分析

為降低實驗偶然性，對實驗進行100次，每次均隨機抽取訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)，統(tǒng)計最后的實驗結(jié)果如圖2所示。圖2中，橫坐標(biāo)為實驗統(tǒng)計次數(shù)，圖2a，圖2b，圖2c，圖2d分別為亮度特征和對比度特征、顏色特征和對比度特征、復(fù)雜度特征和復(fù)雜對比度特征以及本文方法的視認(rèn)性標(biāo)準(zhǔn)值與標(biāo)準(zhǔn)值的比較圖。采用不同的方法對100幅圖像進行視認(rèn)性評測，在不同的評測誤差范圍下對滿足該誤差標(biāo)準(zhǔn)的圖像數(shù)目進行統(tǒng)計，結(jié)果如表2所示。

圖2 推斷值和標(biāo)準(zhǔn)值對比Fig.2 Comparison of the inferred value and the standard value

絕對誤差MAE本文方法/幅亮度特征/幅亮度對比特征/幅顏色特征/幅顏色對比特征/幅復(fù)雜度特征/幅復(fù)雜度對比/幅[0,-0.03)31171414107[0.03,0.06)36111913617[0.06,0.09)12121604612[0.09,0.12)8141114813[0.12,0.15)25141181017[0.15,0.18)2889439[0.18,0.21)2154756106[0.21,0.24)41376854[0.24,0.27)1502755[0.27,0.3)10341557[0.3,1]104027323

由圖2可以看出，本文方法相比亮度特征、亮度對比特征、顏色特征、顏色對比特征、信息復(fù)雜度特征和信息復(fù)雜度對比特征擬合程度更高。視認(rèn)性標(biāo)準(zhǔn)值在0.3～0.5時本文方法偶然出現(xiàn)較大誤差，均在標(biāo)準(zhǔn)值以上, 顯然與圖2c中信息復(fù)雜度特征相似，說明在此范圍內(nèi)信息復(fù)雜度特征作用較大。標(biāo)準(zhǔn)值在0.4～0.6時本文方法得到的視認(rèn)性值比標(biāo)準(zhǔn)值低，且變化較為平緩，同圖2b中顏色對比特征相似。而當(dāng)視認(rèn)性值在0.7～0.85時視認(rèn)性值比標(biāo)準(zhǔn)值高，圖2a中亮度特征占據(jù)主導(dǎo)地位。

由表2可以看出，本文方法與視認(rèn)性標(biāo)準(zhǔn)值誤差在0.06以下占據(jù)較大，為67%?？梢?，87%的數(shù)據(jù)誤差均在0.12以下，誤差在0.27以上較少，結(jié)合圖2d知誤差較大的部分視認(rèn)性標(biāo)準(zhǔn)值在0.3～0.5。單獨特征中，顏色對比特征和復(fù)雜度對比特征表現(xiàn)最差，較大部分的誤差在0.3以上。顯然誤差較大時，標(biāo)志牌的視認(rèn)性低，很難做出準(zhǔn)確結(jié)果。亮度特征的所有誤差均在0.27以內(nèi)，表現(xiàn)較好。亮度對比特征誤差分布也較為均勻，誤差在0.15以下的達到74%。顏色特征較為特殊，由顏色特征得到的視認(rèn)性值大多數(shù)誤差分布在0.18～0.21，達到75%。以0.15的誤差為標(biāo)準(zhǔn)，本文方法89%的樣本均達到要求，而其他方法中表現(xiàn)最好的顏色特征也僅達到74%。

3.2 對比試驗

上述試驗驗證了本文提出的視認(rèn)性模型的有效性，為了進一步驗證多特征融合視認(rèn)性評測模型的準(zhǔn)確性，將模型公式(3)分為3部分進行驗證。分別利用標(biāo)志牌表面特征(方法1)、標(biāo)志與背景的對比特征(方法2)、不含交叉項的特征共同作用(方法3)以及含標(biāo)志牌表面特征和標(biāo)志與背景的對比特征的交叉項(本文方法)方法進行實驗。通過計算得到4種模型,對視認(rèn)性標(biāo)準(zhǔn)值求取平均絕對誤差和標(biāo)準(zhǔn)偏差進行比較，結(jié)果如表3所示。

由表3可知，對于方法1—方法3中3種成分獲取的視認(rèn)性值無論在絕對誤差還是在標(biāo)準(zhǔn)偏差上均比本文方法差，且4種模型誤差關(guān)系為方法1>方法2>方法3>方法4，顯然本文方法綜合了其他方法的優(yōu)點，比其他方法能更精確地推斷視認(rèn)性值。

為增加本文實驗的說服性，同文獻[13,21,25-26]的標(biāo)志牌視認(rèn)性評價方式進行了對比，實驗結(jié)果如表4所示。

表3 視認(rèn)性評測精度比較

表4 對比實驗

由表4可以明顯看出，本文方法的MAE和SD均為最小值，且融合了主要影響視認(rèn)性的圖像特征的本文方法明顯優(yōu)于其余的對比方法。實驗證明了多特征融合的視認(rèn)性評測模型的有效性，并且模型具有精度高的特點。同表3進行對比，可以看出本文將特征進行融合的方式極大提高了視認(rèn)性值的精度，表4中將亮度特征、顏色特征和復(fù)雜度特征3種特征進行融合的結(jié)果也優(yōu)于文獻中的方法，說明了特征融合方式的有效性。

4 結(jié)束語

本文綜合考慮交通標(biāo)識與背景的亮度特征、亮度對比特征、顏色特征、顏色對比特征、復(fù)雜度特征和復(fù)雜度對比特征共6種特征，及特征相互之間的影響，建立特征融合的交通標(biāo)識視認(rèn)性評測模型，并利用最小二乘法求取模型參數(shù)，優(yōu)化了視認(rèn)性模型，實驗驗證部分證明了本文方法的有效性，該方法可以對標(biāo)志牌視認(rèn)性值進行高精度推斷。

在實驗中發(fā)現(xiàn)，本文方法對視認(rèn)性值在0.3～0.5時仍有部分樣本的推斷視認(rèn)性值存在較大誤差，且有部分樣本的誤差在0.3以上，對此部分的優(yōu)化是本文方法下一步研究的重點。