基于樸素貝葉斯分類的路面積雪狀態(tài)檢測

孫中華，蔣 斌，賈克斌

(北京工業(yè)大學電子信息與控制工程學院，北京100124)

中國北方進入冬季后，高速公路通行狀態(tài)受天氣影響程度隨之增加，不同程度的降雪加上較低的室外氣溫，使高速公路常出現(xiàn)積雪與表面結冰等現(xiàn)象，嚴重影響通行車輛的行駛安全。表面結冰往往是由于通行車輛輪胎碾壓積雪后，車輛通行密度不高，雪水在低溫情況下未來得及蒸發(fā)而迅速結冰導致。因此，需要采取實時檢測路面積雪狀態(tài)的措施，提高冬季高速公路車輛的通行安全。

路面積雪檢測方法從解決方式上可分為兩類。

①埋入式傳感器法。該類方法主要利用光學或超聲傳感器獲取信號數(shù)據(jù)，同時結合天氣預報信息進行路面狀態(tài)判別。比如，Magagi等［1］提出了一種濕雪檢測算法，利用合成孔徑雷達(Synthetic aperture radar，SAR)采 集 的RADARSAT數(shù)據(jù)，通過最優(yōu)條件檢測，進行路面狀態(tài)識別。在Jonsson［2］提出的可靠路面冰雪狀態(tài)監(jiān)測方案中，系統(tǒng)需要在路面附近土壤中安裝紅外探測器，通過檢測水吸收的頻譜范圍實現(xiàn)路面覆蓋狀態(tài)識別。該方法在實現(xiàn)過程中進行傳感器掩埋，無疑增加了系統(tǒng)的額外開銷，同時也對已有高速公路路面造成破壞，且施工影響公路通行時間。

②結合降雪模型法。該類方法通過對降雪顆粒軌跡建模，預測降雪情況，從而輔助判別積雪程度。Bossu等［3］提出一種條形方向直方圖法檢測降雪，通過高斯混合前景檢測模型檢測雨雪。Brewer等［4］提出橢圓形狀的全局模型用來檢測雪顆粒的降落方向，但是由于降雪顆粒不規(guī)則，該方法在檢測不同風向影響的降雪方向時準確率并不高。Sakaino等［5］通過幀間半透明物體的運動位移偏差，預測降雪運動，對于視頻幀內(nèi)固定像素點，降雪顆粒通過該點速度較快。利用此特點可進行降雪檢測。但是這類方法僅能追蹤降雪軌跡。Shen等［6］提出從視頻中檢測和提取自然降雪狀態(tài)，通過構造濾波器組檢測視頻序列中的降雪顆粒。

上述路面條件分類處理所采用的狀態(tài)分類方法主要有:神經(jīng)網(wǎng)絡(NN)［7］、支持向量機(SVM)［8］等。這些方法在積雪檢測中的應用均具有一定效果，但對它們之間的綜合比較的研究不夠充足。因此，本文集中比較了NN，SVM和K近鄰分類器在路面積雪識別中的檢測效果，并提出使用樸素貝葉斯分類器設計方法對積雪路面狀態(tài)檢測進行驗證。

1 視頻積雪路面區(qū)域檢測與特征提取

1.1 視頻積雪路面區(qū)域檢測

為了通過監(jiān)控視頻辨別高速公路積雪情況，首先需要從視頻中提取出有效路面區(qū)域。有效路面指行車路面中無車輛遮擋區(qū)域(見圖1)。

圖1 有效積雪路面示意圖Fig.1 Example of efficient snow coverage area

從圖1可以看出，為了提取有效積雪區(qū)域，我們首先需要進行道路背景圖像檢測，移除干擾車輛。這里采用我們提出的復雜場景的運動目標檢測方法進行前景目標檢測［9］，通過前景－背景差去除干擾目標。算法流程如圖2所示。

圖2 運動目標檢測整體流程Fig.2 Flow chart for moving object detection

①設置背景邊緣模型。在圖2中，首先檢測背景邊緣:

式中:Fb為邊緣點像素的概率。

②更新背景邊緣模型。所有像素被分成兩組:前景點和背景點。計算背景更新:

式中:Φ(x，y，t)和Ψ(x，y，t)分別表示背景和前景點的出現(xiàn)，T是更新周期。

③背景邊界差分。計算背景邊界差分:

④背景提取。連續(xù)幀之間背景點服從高斯分布N(μ，σ2)［10］。確定背景區(qū)域:式中:ΔL(x，y，t)為t幀中(x，y)位置處亮度差值。

通過經(jīng)驗觀測，選擇背景中左下和右下區(qū)域(像素m×n)作為特征提取區(qū)。

1.2 圖像特征提取

本文選擇積雪區(qū)域路面的灰度和紋理特征描述積雪覆蓋程度。由于高速公路監(jiān)控攝像機位置固定，車輛行駛路線大體一致，不會出現(xiàn)明顯橫向和斜向行駛軌跡。隨著車輛行駛掩壓，路面積雪會呈現(xiàn)出一種沿著某一方向的紋理漸變過程。筆者提取積雪區(qū)域圖像在0°、90°和135°三個方向的共生矩陣，并且計算每個灰度共生矩陣的四個特征作為路面紋理特征描述矢量。

①角二階矩(Angular second moment，ASM):

ASM描述了圖像灰度分布均勻程度和紋理粗細度。當ASM值較大，對應的紋理也較規(guī)則。

②對比度(Contrast):

對比度描述了圖像灰度反差值大小，反映圖像的清晰度和紋理溝紋深淺程度。紋理溝紋越深，其對比度越大，視覺效果越清晰。

③熵值(Entropy):

熵值描述了圖像中紋理的非均勻或復雜程度。當共生矩陣中的元素分散分布，熵值較大。

④ 逆差矩 (Inverse difference moment，IDM):

IDM描述了圖像紋理的同質(zhì)性，IDM值大則說明圖像紋理的不同區(qū)域間缺少變化，局部非常均勻。

2 樸素貝葉斯分類器設計

貝葉斯分類器的分類通過路面狀態(tài)的先驗概率，利用貝葉斯公式計算出其后驗概率，選擇具有最大后驗概率的類作為該對象所屬的類。貝葉斯分類器所實現(xiàn)的分類錯誤率或風險在所有可能的分類器中最小［11］。

首先將積雪路面劃分成三類:深度覆蓋、中度覆蓋和干燥路面(見圖3)。

圖3 覆蓋程度Fig.3 Coverage scales

將每個沒有類標號的數(shù)據(jù)樣本用n維特征向量X={x1，x2，…，xn}表示，分別描述X在n個屬性{A1，A2，…，An}上的屬性值。貝葉斯分類將未知樣本分配給類Ci，當且僅當

最大化P(Ci|X)。式中:P(Ci|X)最大的類Ci為最大后驗假定。根據(jù)貝葉斯定理:

式中:P(X)對于所有類為常數(shù)，又因類的先驗概率未知，于是將P(C1)，P(C2)，…，P(Cm)作為等概率處理。為簡化計算，可做類條件獨立的假定。給定樣本的類標號，假定屬性值條件相互獨立，即在各屬性間不存在依賴關系，則類屬性的概率分布情況可描述如下:

在進行貝葉斯分類器參數(shù)訓練時，設連續(xù)變量具有或符合某種形式的概率分布，可用訓練樣本屬性值預測該分布參數(shù)。

這里選擇高斯分布描述連續(xù)屬性值的類條件概率分布。該分布由兩個參數(shù)決定，即屬性值的均值μ和方差σ2。對于每類yj，分別計算其屬性值Xi的類條件概率分布:

式中:參數(shù)μij用訓練樣本中第yj類中Xi屬性值的均值()估計;可由訓練樣本的樣本方差s2估計得到。

3 分類器性能比較

3.1 K近鄰分類器

K－NN是一種基于示例學習的分類方法，通過近鄰多數(shù)投票確定對象類屬性。當K=1時，為最近鄰分類器。

在訓練過程中，將數(shù)據(jù)標注為(a1，c1)，…，(aN，cN)。對新樣本a按照如下規(guī)則劃分類屬性。

將a用cj1，…，cjK中某個類標簽標注，按照式(17)計算投票權重:

將a劃分到具有最高權重v(c)的c類中。

3.2 神經(jīng)網(wǎng)絡分類器(NN)

一個神經(jīng)網(wǎng)絡由若干節(jié)點(或神經(jīng)元)互聯(lián)構成。通過恰當編碼期望輸出的權重，可用神經(jīng)網(wǎng)絡直接建模判別函數(shù)。設期望輸出y是一個二進制值組成的向量，其第j個基向量為ej=(0，…，0，1，0，…，0)T。如果x∈j類，則F(x)的第j個元素:

這里使用3層BP神經(jīng)網(wǎng)絡作為訓練分類器。

3.3 SVM分類器

支持向量機SVM在高維空間構造了一個超平面或超平面集合。給定某個標簽訓練集合(xi，yi)，i=1，…，l，其中xi∈Rn，y∈{1，－1}l，SVM計算最優(yōu)化解實現(xiàn)分類:

同時滿足:yi(wTΦ(xi)+b)≥1－εi，εi≥0。實驗中，選擇線性核函數(shù)。

在實驗中，數(shù)據(jù)庫圖像為200幅。我們使用交叉驗證方法(Leave－one－out)測試分類器性能。對于每類分類器進行10次驗證，將3類路面情況(重度覆蓋、中度覆蓋、干燥)識別準確率的平均值作為分類器性能衡量指標，結果如表1所示。

表1 分類器性能比較Table 1 Performance comparison

從表1可以看出，K近鄰分類器的平均識別準確率受到鄰近區(qū)域特征值分布形狀的影響，從積雪到融化和干燥過程，圖像特征點分布差異較大，因此，紋理特征值的分布形狀也有不規(guī)則特點，對K近鄰分類方法有一定影響。3層BP神經(jīng)網(wǎng)絡的積雪狀態(tài)判別較基于線性核函數(shù)的支持向量機的分類器效果好，但考慮到算法實現(xiàn)復雜度，及訓練時間等因素，樸素貝葉斯分類器更適合進行積雪狀態(tài)(中度覆蓋、中度覆蓋和干燥)差異的路面分類。

4 結論

本文針對高速公路積雪狀態(tài)監(jiān)測問題，提出基于視頻信息的路面狀態(tài)判別方法，利用樸素貝葉斯分了器進行積雪狀態(tài)識別。實驗證明在基于紋理特征和灰度平均值的情況下，采用樸素貝葉斯分類器可得到最好的分類效果。該方法可為北方降雪季節(jié)ITS智能路況監(jiān)控應用提供參考。

［1］Magagi R，Bernier M.Optimal conditions for wet snow detection using RADARSAT SAR data［J］.Remote Sensing of Environment，2003，84:221－233.

［2］Jonsson P.Remote sensor for winter road surface status detection［C］∥IEEE Sensors，Limerick，2011:1285－1288.

［3］Bossu J，Hautiere N，Tarel J－P.Rain or snow detection in image sequence through use of a hisogram of orientation of streaks［J］.International Journal of Computer Vision，2011，93:348－367.

［4］Brewer N，Liu N.Using the shape characteristics of rain to identify and remove rain from video［C］∥2008 Joint IAPR International Workshop on Structrual，Syntactic，and Statistical Pattern Recognition，Berlin，Heidelberg，2008:451－458.

［5］Sakaino H，Shen Y，Pang Y，et al.Falling snow motion estimation based on a semi－transparentand particle trajectory model［C］∥IEEE International Conference on Image Processing，2009:1609－1612.

［6］Shen Y，Ma L Z，Liu H，et al.Detecting and extracting natural snow from videos［J］.Information Processing Letters，2010，110:1124－1130.

［7］McFall K，Niitula T.Results of audio－visual winter road condition sensor prototype［C］∥11th Standing International Road Weather Congress，Sapporo，Japan，2002.

［8］Omer R，F(xiàn)u L.An automatic image recognition system for winter road surface condition classification［C］∥The 13 th International Conference on Intelligent Transportation Systems(ITSC)，Waterloo，2010: 1375－1379.

［9］田洪寧，賈克斌.一種改進的適用復雜場景的運動目標檢測算法［J］.計算機仿真，2011，28(8):233－237.

TIAN Hong－ning，JIA Ke－bin.Improved algorithm of motion detection in complicated environment［J］.Computer Simulation，2011，28(8):233－237.

［10］Chen SY，Ma S Y，Chen L G.Effective moving object segmentation algorithm using background registration technique［J］.IEEE Transaction on Circuits and System for Video Technology，2002，12(7):577－585.

［11］Freund Y，Schapire R E.A decision－theoretic generation of on－line learning and an application to boosting［J］. Journal of Computer and System Sciences，1995，55: 119－139.