基于決策樹參數(shù)優(yōu)化算法的人行橫道檢測(cè)

張應(yīng)征, 崔國華

基于決策樹參數(shù)優(yōu)化算法的人行橫道檢測(cè)

張應(yīng)征1, 崔國華2

(1. 湖南工程職業(yè)技術(shù)學(xué)院 信息工程學(xué)院, 湖南 長沙, 410151; 2. 華中科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,湖北 武漢, 430074)

為了使車輛快速并準(zhǔn)確地檢測(cè)出人行橫道, 針對(duì)車載攝像頭獲取的路面圖像, 提出了一種基于決策樹參數(shù)優(yōu)化的人行橫道檢測(cè)方法, 該方法分3個(gè)步驟完成: 首先, 通過逆透視變換獲得指定區(qū)域內(nèi)的道路俯瞰圖; 其次, 通過閾值分割提取出路面白色標(biāo)線; 最后根據(jù)人行橫道的特征屬性實(shí)現(xiàn)檢測(cè)。其中, 白色標(biāo)線的提取是準(zhǔn)確檢測(cè)的基礎(chǔ), 因此結(jié)合邊緣信息與自適應(yīng)閾值, 改進(jìn)了分割算法, 并使用決策樹優(yōu)化分割參數(shù)。結(jié)果表明: 即使在路面光照不均勻的情況下, 改進(jìn)后的算法分割效果顯示良好, 有效提高了人行橫道檢測(cè)率。

人行橫道檢測(cè); 決策樹; 逆透視變換; 自適應(yīng)閾值

人行橫道的檢測(cè)不僅能提供有用的公路導(dǎo)航信息, 對(duì)提高行車安全也有著重要意義。在這個(gè)領(lǐng)域已經(jīng)出現(xiàn)了許多不同的檢測(cè)方法, 比如使用從邊緣點(diǎn)中提取線段的方法, 進(jìn)而使用RANSAC算法[1]找到一系列符合的候選線段, 最后分析梯度方向完成人行橫道的識(shí)別, 其中的算法分為2部分: 特征提取, 以及根據(jù)特征使用特征因子圖對(duì)候選目標(biāo)進(jìn)行分類;人行橫道標(biāo)記像素提取, 既而使用連通區(qū)域完成檢測(cè), 最后在逆透視之后的圖像中標(biāo)出人行橫道的位置。這些方法大多是在原圖中提取出一系列的候選線段, 然后根據(jù)人行橫道的特征建模, 判斷候選線段是否位于人行橫道上; 或是找出由多條等間隔平行線組成的結(jié)構(gòu), 即視為人行橫道。由于對(duì)邊緣線段的提取均在原圖上進(jìn)行, 很容易受到路面上其他景物的影響; 另外, 根據(jù)線段進(jìn)行檢測(cè), 丟失了人行橫道長寬比屬性, 因而導(dǎo)致人行橫道檢測(cè)方法均較為復(fù)雜。

本文提出一種更為便捷的檢測(cè)方法, 能有效提高路面光照不均勻及陰影情況下的人行橫道檢測(cè)率。首先使用逆透視變換將檢測(cè)區(qū)域設(shè)定在一定范圍內(nèi), 再結(jié)合邊緣信息與自適應(yīng)閾值提取出地面標(biāo)志二值圖, 最后對(duì)長條形地標(biāo)作為候選目標(biāo)進(jìn)行分組, 從而實(shí)現(xiàn)人行橫道的檢測(cè); 同時(shí)通過改進(jìn)自適應(yīng)閾值的計(jì)算方法、優(yōu)化決策樹的閾值參數(shù), 獲得了良好的分割效果。

1 逆透視變換

圖1 逆透視變換示意圖

獲取以上參數(shù)后, 由式(1)設(shè)置需要逆透視變換的路面區(qū)域, 可將路面原圖映射為一定范圍內(nèi)的路面鳥瞰圖, 道路圖像逆透視的效果如圖2所示。

2 閾值分割提取地面標(biāo)志

圖像分割是圖像處理研究最為廣泛的問題之一。大致可分為全局閾值和局部閾值2大類, 前者通常使用一個(gè)固定值來分割圖中的像素, 將其置為黑色或白色[4]。全局閾值方法在光照不均勻時(shí)會(huì)導(dǎo)致分割不完全, 而自適應(yīng)閾值方法對(duì)于每個(gè)像素都會(huì)通過計(jì)算得出一個(gè)變化的閾值, 從而將前景中有用的目標(biāo)從背景中分割開來。因此, 這種方法對(duì)于強(qiáng)光照或反射不均勻的情況非常有效。

圖2 逆透視結(jié)果

2.1 引入邊緣信息的自適應(yīng)閾值

使用Canny算子來進(jìn)行邊緣檢測(cè), 其具有信噪比大、檢測(cè)精度高的特點(diǎn), 主要通過以下3個(gè)步驟完成: 首先通過高斯濾波對(duì)圖像去噪; 接著對(duì)平滑灰度圖求出梯度幅值及方向; 最后使用高低2個(gè)閾值對(duì)梯度圖進(jìn)行非極大值抑制, 獲取邊緣[6]。

邊緣提供了一個(gè)目標(biāo)和背景的分界線, 因此將邊緣像素點(diǎn)視作該點(diǎn)附近區(qū)域的一個(gè)閾值參考點(diǎn)。即在使用自適應(yīng)閾值方法時(shí), 將邊緣點(diǎn)的權(quán)值設(shè)置得高于其他像素點(diǎn)的權(quán)值。自適應(yīng)閾值公式為

選擇合適的鄰域大小非常重要, 如果區(qū)域選擇過大, 則和全局閾值有著類似的缺點(diǎn), 受到過多的亮度梯度影響, 得到的閾值往往導(dǎo)致圖片分割不完全。但如果區(qū)域選擇過小, 則會(huì)由于沒有包含足夠的前景和背景信息像素, 同樣不能獲得較好的閾值。

2.2 改進(jìn)自適應(yīng)閾值的計(jì)算方法

自適應(yīng)閾值方法需要計(jì)算像素點(diǎn)鄰域內(nèi)所有像素的加權(quán)平均。為了提高計(jì)算速度, 可通過使用積分圖, 快速計(jì)算一定像素區(qū)域內(nèi)的加權(quán)和。如圖3(a)所示, 矩形框內(nèi)的像素加權(quán)和即可通過公式(+++)-(+)-(+) +得到[7]。因此,計(jì)算并存儲(chǔ)每個(gè)像素位置的卷積和(,), 即像素(,)所有左方和上方像素灰度值(,)的和, 則一定區(qū)域內(nèi)的像素和

由式(4)計(jì)算獲得。因此式(2)中自適應(yīng)閾值的計(jì)算可簡化為求取一定區(qū)域內(nèi)的灰度圖加權(quán)和以及像素權(quán)值和即可。

圖3 區(qū)域內(nèi)加權(quán)和的算法改進(jìn)

圖3演示了引入邊緣信息后的自適應(yīng)閾值計(jì)算方法。3(b)為一幅簡單的輸入灰度圖; 3(c)為像素的權(quán)值, 假定非邊緣像素權(quán)值為1, 邊緣像素的權(quán)值為2(即= 2); 將輸入灰度圖乘以相應(yīng)的權(quán)值, 并獲取其卷積結(jié)果, 如3(d)所示; 3(e)為邊緣權(quán)值信息的卷積結(jié)果[8]。通過圖3(c)、(d), 可根據(jù)式(5)快速求得任一區(qū)域內(nèi)的自適應(yīng)閾值。

2.3 總體閾值分割方法

逆透視處理后的路面分割方法分如圖4所示的步驟完成。

(1) 通過Canny算子檢測(cè)邊緣: 針對(duì)不同環(huán)境設(shè)置非極大值抑制的高低兩閾值, 獲取良好的邊緣檢測(cè)效果。濾除偽邊緣: 將過小的邊緣視作碎片濾除。

圖4 綜合閾值分割算法流程圖

圖5 雜質(zhì)濾除流程圖

3 基于決策樹的閾值參數(shù)優(yōu)化

為了準(zhǔn)確的提取使得后續(xù)的檢測(cè)便捷而可靠, 利用數(shù)據(jù)挖掘中的決策樹算法進(jìn)行分割參數(shù)的優(yōu)化。

3.1 建立決策樹模型

選取閾值分割方法中的鄰域大小、常值、邊緣像素的權(quán)值, 以及分塊時(shí)的分塊大小這4種參數(shù)作為特征屬性向量, 分別記作A(= 1, 2, 3, 4), 分類屬性的類別設(shè)置為1對(duì)應(yīng)著所需白色標(biāo)線提取率大于90%, 光照不均勻產(chǎn)生的雜質(zhì)大于5%;2對(duì)應(yīng)著提取率大于90%, 光照產(chǎn)生雜質(zhì)小于5%;3表示提取率小于90%且雜質(zhì)小于5%,4則是提取目標(biāo)小于90%, 且雜質(zhì)大于5%。當(dāng)滿足2類別時(shí), 默認(rèn)此組參數(shù)的配置符合期望的分割效果。

選取歷史參數(shù)數(shù)據(jù)提取為訓(xùn)練數(shù)據(jù)集, 計(jì)算各參數(shù)特征屬性的增益率, 從根節(jié)點(diǎn)開始選擇各個(gè)節(jié)點(diǎn)以哪個(gè)屬性作為分裂屬性[9]。建立決策樹模型之后, 對(duì)決策樹進(jìn)行剪枝、評(píng)估, 得到最終的決策樹模型如圖6所示, 從而進(jìn)行評(píng)估分割效果。

圖6 本案例建立的決策樹模型

3.2 參數(shù)自學(xué)習(xí)

采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)自學(xué)習(xí), 可將其分為2個(gè)階段: 訓(xùn)練階段和使用階段[10]。

訓(xùn)練階段, 對(duì)每1幅樣本執(zhí)行分割算法。依據(jù)預(yù)測(cè)分支中的規(guī)則, 在參數(shù)選取區(qū)間內(nèi)調(diào)整參數(shù), 直到得到最佳分割效果。圖像的32個(gè)灰度級(jí)的直方圖, 圖中斑馬線的寬度與長度作為神經(jīng)網(wǎng)絡(luò)的輸入, 最佳參數(shù)作網(wǎng)絡(luò)的期望輸出, 依次輸入訓(xùn)練樣本, 進(jìn)行迭代訓(xùn)練。當(dāng)網(wǎng)絡(luò)收斂時(shí), 所需的參數(shù)選擇知識(shí)即以權(quán)值的形式存儲(chǔ)于BP神經(jīng)網(wǎng)絡(luò)之中。使用階段, 可以使用該BP神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)自學(xué)習(xí), 獲取逆透視圖像的灰度級(jí)直方圖, 找出斑馬線的寬度、長度, 以及提取目標(biāo)與背景的最小對(duì)比度, 將其作為圖像特征輸入神經(jīng)網(wǎng)絡(luò), 即可輸出該圖片的合適分割參數(shù)。

4 人行橫道檢測(cè)

經(jīng)過逆透視和閾值分割步驟的處理, 路面上白色的標(biāo)線已成功提取至二值圖。加之逆透視變換后的俯瞰效果使得人行橫道顯示更為直觀, 根據(jù)人行橫道的特征簡捷的實(shí)現(xiàn)檢測(cè), 可按以下步驟完成:

(1) 輪廓分析: 遍歷二值圖做輪廓檢測(cè), 分析各前景目標(biāo)的輪廓形狀, 通過設(shè)定目標(biāo)的長寬比和面積, 濾除噪聲及非長條地標(biāo)信息。將剩下的長條地標(biāo)標(biāo)記為候選目標(biāo), 計(jì)算其長邊斜率, 以及重心位置;

(2) 候選目標(biāo)分組: 根據(jù)人行橫道是由多條平行白色長條組成的特點(diǎn), 將目標(biāo)長邊的斜率相近, 且重心約在一條直線上的候選目標(biāo)歸為1組, 每組記作X= {1,2, …,x}。其中使用Hough變換判斷重心點(diǎn)是否在同一直線上;

(3) 考慮候選目標(biāo)的位置關(guān)系: 計(jì)算組內(nèi)的目標(biāo)間隔, 將距離不滿足設(shè)定閾值的長條目標(biāo)移除;

(4) 標(biāo)出人行橫道: 完成上述3個(gè)步驟后, 若每組內(nèi)依舊有5個(gè)以上的平行等間隔長條目標(biāo), 則將該組合X認(rèn)為是1個(gè)人行橫道, 同時(shí)在二值圖上用白框標(biāo)出;

此外, 考慮到前方車輛經(jīng)過人行橫道時(shí)產(chǎn)生遮擋, 在實(shí)際應(yīng)用中應(yīng)將第3步中的閾值適當(dāng)放寬。

5 實(shí)驗(yàn)和結(jié)果分析

實(shí)驗(yàn)圖片由1個(gè)安裝于車體前方的相機(jī)在城區(qū)采集獲得, 相機(jī)在車體坐標(biāo)系中的位置= (0,-0.52, 1.67) 。相機(jī)光軸和軸的夾角= 0°, 與地面的夾角= 11.6°, 相機(jī)的水平視角和垂直視角分別為2= 68.67°和2= 48.0°。選取原始圖像中車體左右各8 m, 前方5～35 m的區(qū)域進(jìn)行逆透視變換, 變換后的俯瞰圖分辨率為290′300。

在進(jìn)行圖像分割前, 對(duì)50幅逆透視后的路面圖像在3.1中確定的參數(shù)區(qū)間進(jìn)行樣本訓(xùn)練, 后針對(duì)逆透視圖使用參數(shù)自學(xué)習(xí)方法獲取閾值分割的最優(yōu)參數(shù), 對(duì)整個(gè)檢測(cè)過程進(jìn)行分步實(shí)驗(yàn), 并對(duì)分割效果進(jìn)行比對(duì), 圖7是分步實(shí)驗(yàn)結(jié)果圖, 圖8是分割效果比對(duì)圖, 圖7與圖8的分割優(yōu)化參數(shù)見表1。圖7中: (a)是一張道路逆透視圖; Canny邊緣檢測(cè)結(jié)果如(b)所示; (c)為第1次分割結(jié)果, 很明顯其中有較多雜質(zhì); 使用邊緣信息濾除非法目標(biāo)獲得最終的二值圖, 并完成人行橫道的檢測(cè), 如(d)所示。

考慮路面存在光照不均勻的情況, 因此選取同時(shí)具有陰影和光照過強(qiáng)情況的圖片, 分別用本文算法和全局OTSU方法進(jìn)行分割比對(duì)測(cè)試, 實(shí)驗(yàn)分割效果比對(duì)如圖8所示, 全局OTSU方法除了分割出部分地面標(biāo)線外, 還會(huì)將光照過強(qiáng)的區(qū)域也分割出來, 易導(dǎo)致人行橫道的誤檢, 而本方法在對(duì)比度不明顯的區(qū)域依舊有很好的分割效果, 確保了人行橫道檢測(cè)的準(zhǔn)確率。

由表1可知:為邊緣像素權(quán)值,1和1為頂部1/3逆透視圖像選取的鄰域大小及常值,2和2是底部 2/3圖像的鄰域大小及常值,p為濾除雜質(zhì)時(shí)的分塊大小。此外, 直接給定的參數(shù)為: 高斯濾波器大小為 11,= 2,1= 0.1,2= 0.01。

圖8 分割效果比對(duì)圖

表1 優(yōu)化后的分割參數(shù)

選取了600幅城市道路圖像進(jìn)行了測(cè)試實(shí)驗(yàn), 其中100幅不含人行橫道, 且350幅的道路光照不均勻或存在陰影干擾。檢測(cè)程序由VC++結(jié)合openCV庫完成編寫, 實(shí)驗(yàn)結(jié)果為: 平均檢測(cè)時(shí)間為79 ms; 誤檢率為1.2%; 丟失率為1.7%。丟失原因?yàn)榍胺杰囕v遮擋住了大部分的人行橫道, 誤檢原因是由于光線過強(qiáng)導(dǎo)致地面鏡像光過大。實(shí)驗(yàn)表明該方法對(duì)于城市道路人行橫道的檢測(cè)有良好的實(shí)時(shí)性、有效性和適應(yīng)性。

6 結(jié)束語

通過對(duì)分割算法的改進(jìn), 準(zhǔn)確提取出地面標(biāo)志并應(yīng)用于檢測(cè), 引入Canny邊緣信息, 將其與自適應(yīng)閾值相結(jié)合, 在一次分割后再次利用邊緣信息濾除碎片。在光照不均勻情況下, 依舊能很好的提取地標(biāo)信息。為了得到較優(yōu)的分割參數(shù), 使用決策樹和自學(xué)習(xí)方法對(duì)相關(guān)參數(shù)進(jìn)行了優(yōu)化選擇, 并提高了Canny邊緣檢測(cè)算子的精確度。

此外, 該方法中逆透視變換的使用, 將人行橫道的檢測(cè)約束在一定范圍內(nèi)的路面俯瞰圖上, 減少了路面其他物體對(duì)檢測(cè)的干擾, 大大提高檢測(cè)率。另一方面, 逆透視后人行橫道的形狀更直觀, 使得長條白色標(biāo)線選作候選目標(biāo)成為可能, 此類候選目標(biāo)較線段增加了長寬比屬性, 從而降低了誤檢率。

[1] Stephen S, Michael B. Road feature detection and estimation [J]. Machine Vision and Applications, 2013, 14(3): 157–165.

[2] SoheilianB,PaparoditisN,BoldoD.3Droadmarkingreconstructionfromstreet-levelcalibratedstereopairs[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2015,65(4):347–359.

[3] 劉艷趙英良. Otsu多閾值快速求解算法[J]. 計(jì)算機(jī)應(yīng)用, 2011, 31(12): 3 363–3 365.

[4] Sebsadji Y, Tarel J, Foucher P, et al. Robust road marking extraction in urban environments using stereo images[C]// Proc of 2010 IEEE Intelligent Vehicle Symposium, San Diego:IEEE Press, 2010:21–24.

[5] DING Lijun,Goshtasby A. On the Canny edge detector [J]. Pattern Recognition, 2011, 34(3): 721–725.

[6] Derek B, Gerhard R. Adaptive thresholding using the integral image [J]. The Journal of Graphic Tools, 2007, 12(2): 13–21.

[7] 徐晶, 孫艷民, 付旭輪, 等. 基于決策樹算法的無線參數(shù)優(yōu)化方法[J]. 電信工程技術(shù)與標(biāo)準(zhǔn)化, 2012, 24(1): 7–10.

[8] 李衛(wèi)高, 趙望達(dá). 神經(jīng)網(wǎng)絡(luò)與模糊邏輯在火災(zāi)探測(cè)報(bào)警系統(tǒng)中的應(yīng)用. 湖南文理學(xué)院(自然科學(xué)版), 2018, 30(2): 42–46.

[9] 夏勇. 圖像分割技術(shù)研究[D]. 西安: 西北工業(yè)大學(xué), 2014.

[10] 張景發(fā).不確定隨機(jī)神經(jīng)網(wǎng)絡(luò)的幾乎必然指數(shù)穩(wěn)定[J]. 湖南文理學(xué)院(自然科學(xué)版), 2017, 29(3): 13–19.

Based on decision tree parameter optimization algorithm of crosswalks detection

Zhang Yingzheng1, Cui Guohua2

(1. Department of Information and Engineering, Hunan Engineering Polytechnic, Changsha 410151, China; 2. College of Computer Science and Technology, Huazhong University of Science and Technology, Wuhan 430074, China)

In order to make the vehicle quickly and accurately detect the pedestrian crossing, in view of the on-board camera for pavement images, a pedestrian detection method is put forward based on decision tree parameters optimization, This method works in three steps. First, the search for crosswalks is reduced to a suitable bird's eye view of road surface by using inverse perspective mapping. Secondly, white lines are extracted through threshold segmentation. Lastly, crossing is detected according to its feature attribute. The second step is very essential for the following process. Hence, an improved algorithm is adopted based on local adaptive threshold and edge information, while optimization of segmentation parameters is achieved through decision tree. The experimental results show that the improved segmentation effect is good and the detection rate of crosswalk is improved effectively even when the illumination of the road surface is uneven.

crosswalk detection; decision tree; inverse perspective mapping; adaptive threshold

TP 391.41

A

1672–6146(2020)03–0019–06

10.3969/j.issn.1672–6146.2020.03.004

張應(yīng)征, 406851863@qq.com。

2019–09–25

(責(zé)任編校: 張紅)