基于航拍高分辨率圖像的道路檢測方法

黃緒勇++高振宇++趙李強++王艷濤

摘 要：隨著計算機技術和攝影技術的飛速發展，我們可以實時自動的獲取到大量的圖像數據；如何從這些數據中獲取到對工業生產有價值的信息是我們亟待解決的問題。在電力行業中直升機巡線已經實現，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方法。首先，我們對高分圖像進行降采樣建立圖像金字塔，對低分辨率圖像進行灰度化，直方圖均衡化等操作；第二，我們計算梯度圖像并對其進行閾值化處理和形態學開運算處理獲取到類似于道路的疑似目標區域；第三，我們提取目標區域的形狀指數顏色信息等組成特征空間再采用基于Bayes最小錯誤率的分類器對疑似目標進行識別；最后，我們采用基于色彩信息的區域生長算法對目標區域進行處理，這樣可以連接相鄰目標和抑制錯誤分類的目標。實驗結果表明我們提出的算法在測試圖像上集的識別率為95%。

關鍵詞：飛機巡檢；圖像金字塔；特征空間；Bayes分類器；區域生長圖像分割

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1671-2064（2017）13-0022-03

1 引言

隨著計算機技術和攝影技術的飛速發展，航拍圖像的分辨率相對于以往遙感圖像有了極大的提高，使得航拍技術和計算機視覺計算應用于電力行業成為了可能。航拍巡線技術不僅可以實現電力設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到實時提供巡檢報告為管理人員提供對電力系統調度和維護的依據。道路自動識別是機器視覺和圖像理解領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器學習的方法替代人工識別的方法[1]。目前，在國際上英國、日本等國的不少研究機構進行了基于航拍圖像的道路識別研究[2-3]他們采用遙感圖像，無人機航拍圖像，掃描的紙質地圖圖像等作為數據源；提取的過程可以歸納為自動和半自動提取。在國內，關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提取算法是建立在模板匹配的基礎上，在色彩信息比較豐富的情況下可以得到很好的識別效果；邰小雷[5]通過圖像的梯度信息識別道路的區域和邊界信息；董培[6]利用道路和背景在圖像紋理上的差異通過Graph Cut技術實現了對圖像中道路區域的分割；Alvanz J M[7]提出基于道路區域的紋理與背景區域紋理不同的假設，通過設置道路區域的種子點，使用區域生長來逐步擴大道路的區域。Zhou heiling[8]等使用結構張量對Graph Cut圖像分割算法進行了改進，得到了一個精度較高的道路分割算法但是該算法耗時較多。

我們在本文中提出了一種基于監督學習的道路提取方法，算法流程如圖1所示。本文的組織架構如下，第一部分我們簡要的論述了圖像數據道路識別的意義和國內外的發展現狀；第二部分我們詳細的介紹了我們所提出的圖像道路識別算法的實現；第三部分我們給出了實驗結果及分析；第四部分我們進行了簡單的總結。

2 基于監督學習的道路檢測算法

我們在分析了大量機巡航拍圖像中的道路特征后，我們把這個問題歸結為是監督型的機器學習問題。由于道路的概念是一個主觀的概念，樣本標記的行為就是把人們主觀概率傳遞給機器的過程。所以我們應該人為的選擇樣本并將它們標記為正本和負樣本，道路是一個區域級的概念故我們不選擇基于像素級的特征，由于我們飛機巡線是在光照比較好的情況下進行故我們可以選擇區域的色彩作為特征。Bayes分類器是被研究最為廣泛的分類器之一，其統計學理論基礎比較完善，而且容易實現，訓練過程比較快，性能比較穩定，故在我們設計本文中的道路識別算法時我們選擇了Bayes分類器。在道路提取的過程中我們對梯度圖像進行了閾值化處理和形態的開運算，這樣不可避免的引入了噪聲導致目標區域的斷裂，故我們在識別的后期使用區域生長算法對其進行補償，這樣可以有效的提高算法的性能。本文圖像道路識別算法流程圖1所示。

2.1 道路區域特征選擇

道路區域特征空間圖2所示，如何確定適合的特征空間是設計模式識別系統中一個十分關鍵的問題。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域內，這就為分類器設計成功提供了良好的基礎。如果，不同類別的樣本在該特征空間中混疊在一起，再好的設計方法也無法提高分類器的準確性[9]。我們通過大量的實驗嘗試，最后選擇了區域的形狀指數（區域周長與面積比值），區域灰度值的標準差，區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個正樣本o所示和31負樣本x所示。從圖2中我們可以看到在這個樣本空間中有少部分的樣本發生了混疊，這樣我們選擇最小錯誤率的Bayes分類器。

2.2 基于最小分類錯誤率的Bayes決策準則

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

（1）

在實際的工程問題中，統計數據往往呈現正太分布的特征。我們假設道路區域和非道路區域的特征都服從正態分布，這樣模型訓練的問題就變成了如何利用標記的樣品對正太分布的參數進行估計的過程。我們采用多維隨機變量的正態分布概率密度來模擬道路和非道路特征的概率密度函數（2）所示：

（2）

這樣我們的道路識別問題轉化為了二分類問題，（2）式中的代表道路特征類或非道路特征類，在我們的實驗中i為0代表道路類，i為1代表非道路類。判別函數的對數形式定義為（3）所示：

（3）

2.3 基于區域生長的圖像分割

目前主流圖像分割技術有grow 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域和背景區域。在本文中我們不進行交互式處理，故我們選取了region cut作為圖像分割的算法。區域生長（region cut）是根據事先定義的準則將像素聚集成更大區域的過程。它的思想是從一組生長點開始（在本文中我們采用bayes分類器識別出來的道路區域），將與該生長點性質相似的相鄰像素與生長點進行合并，形成新的生長點，重復這個過程直到不能生長為止。我們采用的相似準則是像素點之間的顏色信息。

3 實現結果及分析

我們在Windows 7 64位上使用Qt和MSVC編譯器實現了本文中所提出的算法。硬件環境為：Intel（R） Core（TM） i5-4200U CPU @ 1.6GHz 2.3GHz，4.00GB內存。在本文的實驗中我們選擇了22個正樣本，31個負樣本，樣本數據如表1所示，在表中我們只給出了10個數據。

3.1 算法的實時性能測試

我們的測試圖像分辨率為5000萬像素（8688*5792），我們通過均值濾波器進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），我們算法的處理時間為38ms這樣的處理速度已經達到實時視頻采樣的幀率。所以我們在本文中提出的算法可以燒入嵌入式設備中作為機載設備實時給出分析結果。

3.2 算法的識別性能測試

我們隨機抽取了53個樣本圖像組成測試樣本庫，對本文所提出的算法進行了分類性能測試，測試結果如圖3所示，綠色矩形框給出的是真實道路目標，藍色框給出的是非道路目標。

在測試圖像集上，我們記錄了80個目標的分類結果如表2所示，算法的正確識別率為：（TP+TN）/（P+N）=76/80=95%，識別錯誤率為：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%。從以上的數據中我們看到在我們的測試庫上面本文的算法可以達到95%的識別正確率。

4 結語

本文提出了一種基于Bayes最小錯誤準則的高分辨率道路檢測的方法，通過人為標記的手段我們選擇出圖像中的道路區域和非道路區域；提取這些區域的三維特征向量（區域形狀指數，區域灰度均值，區域灰度標準差）訓練Bayes分類器；通過Bayes分類器對測試樣本進行預測，對預測出的道路區域進行區域生長分割，進一步減少分類器的錯誤率。實驗結果表明本文的算法可以在高分辨率圖像中識別出道路區域，運行效率可以達到實時性的要求。對于實際的飛機巡檢電力設備的缺陷故障具有很大的應用價值。

參考文獻

[1]武冰，周石琳，粟毅.一種引入角點特征的遙感圖像道路提取方法[J].計算機仿真，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，鮑遠律，屈靜.彩色公路地圖的道路自動提取[J].計算機輔助設計與圖形學學報，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，2012.

[6]董培，石繁槐.基于小型無人機航拍圖像的道路檢測方法[J].計算機工程，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.模式識別與智能計算---Matlab技術實現（第二版）[M].電子工業出版社，2011.