基于顯著性檢測的交通標志檢測算法

(南京航空航天大學計算機科學與技術學院 江蘇 南京 211106)

引言

人類在未知環境中能夠快速發現感興趣的和凸顯的事物，例如綠葉叢中的一朵花，這就是視覺注意機制。正是因為視覺注意機制，人眼能夠在每秒都要處理海量數據的情況下，仍能快速有效的獲取所需信息。這種特性引起了許多學者們的注意，他們希望計算機能通過模擬人眼的這種特性來快速找到感興趣的區域即顯著性區域，從而有效減少后續的圖像處理工作。交通標志，是用文字或符號傳遞引導、限制、警告或指示信息的道路設施。交通標志的設置醒目、清晰、明亮，充分考慮了人眼的視覺特征，有固定的幾何形狀。但是由于自然環境的復雜，各種道路、建筑、車輛、甚至是行人都會對其顯著性檢測產生干擾，很容易把不是交通標志的背景區域也當作顯著性區域，這無疑給我們的各種應用帶來不便。一些交通標志圖如圖1所示：

圖1 交通標志圖

現有的顯著性目標檢測方法大都屬于自底向上的，這種方法不需要先驗知識，運行速度快，能滿足實時性的需求，發展也較為成熟，本文的方法也屬于該類。最經典的顯著性檢測方法是由Itti[1]于1998年提出的。2007年Hou等人提出了一種基于頻域的SR[4]算法，該方法另辟蹊徑，通過抑制先驗信息即圖像中的背景區域來得到顯著圖。Hou將圖像分為先驗信息和新穎信息，通過分析圖像在頻域上的對數譜，去除掉先驗信息，然后進行傅里葉反變換得到顯著性區域。

以上方法都是對傳統的圖片進行顯著性檢測的方法，然而交通標志顯著性有其特殊性，使用傳統的顯著性檢測方法并不能取得很好的效果，因此本文提出了一種專門針對交通標志的顯著性檢測方法.

一、基于圖的圖像區域劃分

本文采用基于圖的分割算法[11]來對圖像進行分割，因為基于圖的分割算法實現簡單，速度比較快，精度也比較高，而且有良好的自適應性。具體步驟如下：

(1)計算每一個像素點與其8鄰域或4鄰域的不相似度。

(2)將邊按照不相似度非遞減排列(從小到大)排序得到e1,e2,e3...eN。

(3)選擇e1。

(4)對當前選擇的邊進行合并判斷。設其所連接的頂點為(vi,vj)。如果滿足合并條件：vi,vj不屬于同一個區域：Id(vi)≠Id(vj)；不相似度不大于二者內部的不相似度,即，wi,j≤Min(Ci,Cj)，其中wi,j表示連接兩個頂點的不相似度，Ci表示區域i的內部不相似度，則執行步驟(5)。否則執行步驟(6)。

(5)更新類標號：將vi,vj的類標號統一為vi的標號。更新該類的不相似度為：

(1)

其中|Ci|表示區域i的像素數，隨著像素數增加，后面一項所起的作用越來越小，k為系數，可以控制一個區域形成的大小。

(6)如果i

二、顏色空間量化與平滑

(一)顏色空間量化

對于一幅中等大小以上的圖像來說，,計算所有像素之間的差異無疑有很高的時間復雜度，一種有效的解決方法就是減少圖像中像素顏色的總數，然后通過計算顏色而不是像素之間的顯著性值，這樣就可以有效的減小算法的時間復雜度。

在RGB顏色空間中，每個通道顏色為256，可以考慮將每個顏色通道分為12等份，然后選擇圖像中出現頻率較高的顏色，并確保這些顏色能夠覆蓋到圖像中95%以上的區域，去掉圖像中出現頻率較小的顏色并用沒有去除掉的顏色中最接近的顏色代替，這樣通常可以將圖像中的顏色減小到100以內。

(二)顏色空間平滑

雖然可以用顏色量化后的顏色直方圖來高效地計算顏色對比度，但量化本身可能會產生瑕疵，因為一些相似的顏色可能被量化為不同的值。為了減少這種隨機性給顯著性值計算帶來的噪聲，本方法用平滑操作來改善每個顏色的顯著性值。每個顏色的顯著性值被替換為相似顏色(用Lab距離測量)顯著性值的加權平均，這個過程實質上是顏色空間的一種平滑過程。則顏色c的顯著性值改善為：

(2)

由上式可以看出，與顏色c距離越近，則該顏色分配的權值越大。

顏色空間平滑[17]的具體實現過程如下：在顏色空間量化過程中，本文在RGB顏色空間下將每個顏色通道量化為12個值。雖然量化過程是在RGB顏色空間下進行，但是為了顏色距離計算與人類的視覺感知更加接近，本文選擇在Lab顏色空間下來測量顏色間的距離。

三、顯著性值計算

(一)區域顏色選取

在1.2節中，本文以基于圖的分割算法將圖像分割成多個區域[7]，然后為每個區域建立顏色直方圖，則可以通過計算區域rk與圖像其它區域的顏色對比度來計算它的顯著性值，表示為:

S(rk)=∑i≠kw(ri)D(rk,ri)

(3)

其中D(rk,ri)表示兩個區域的顏色對比度，w(ri)為區域ri的權值，這里表示區域ri中的像素數。兩個區域的顏色對比度為：

(4)

其中f(ck,i)表示第i個顏色ck,i在第k個區域rk的所有rk種顏色中出現的概率,k={1,2}。從上式可以看出，如果區域中的每一種顏色都參與計算，那么時間復雜度無疑是很高的，而事實證明，每個區域中只含有圖像直方圖中很少數目的顏色，這些顏色中的一到兩種顏色是區域中的主要顏色，為了減少運算的時間復雜度，只選用區域中的主要顏色來進行計算。事實上，每個區域具有高度的顏色一致性，用兩種顏色來進行計算的收效甚微，因此，每個區域只選用占比最大的一種顏色來進行計算。

(二)空間加權

在一幅圖像中，距離顯著性區域越近的區域對其影響越大，距離顯著性區域越遠的區域對其影響越小，因此，要加大較近區域的權值，減小較遠區域的權值，則空間加權系數可以表示為：

(5)

其中Ds(rk,ri)為區域rk和ri的空間距離，兩個區域的空間距離定義為兩個區域重心的歐氏距離，δs表示空間權值強度。

(三)顏色加權

交通標志的主體顏色為紅、黃、藍三色，所以以這三種顏色為主體顏色的區域是顯著性區域的可能性最大，在RGB以及HSV等顏色空間中，以Lab顏色空間最符合人類的視覺感受，所以本文選擇Lab顏色空間進行顏色劃分，其中紅、黃、藍三種顏色的Lab值為,紅色:(54,81,70)，黃色：(98,-16,93)，藍色(30,68,-112)，則顏色加權系數可以表示為：

(6)

(四)邊界約束

交通標志一般位于道路兩旁或者道路上方，因此圖像顯著性區域更可能位于圖像兩側或者上側，一般圖像的顯著性區域大部分都位于圖像中心及其附近，這就是與一般的圖像顯著性檢測的區別。因為交通標志不是位于圖像的中心處，所以要抑制圖像中心區域的顯著性值。本文選擇距離圖像左側、右側以及上側三分之一距離的三條線為基線，選用區域中心與這三條基線中最近的一條的距離作為加權的標準，則加權系數可以表示為：

(7)

其中D(rk,Bi)表示區域rk與基線Bi的距離，i={1,2,3}。σ表示加權強度，σ越小，權值越小，越遠的區域受抑制程度越大

綜上所述，區域rk的顯著性值最后可以表示為：

S(rk)=wm(rk)wc(rk)∑k≠iws(rk,ri)w(ri)Dr(rk,ri)

(8)

四、實驗結果

本實驗運行環境為windows10，處理器頻率為3.60GHz。測試圖像為不同場景下，不同明暗程度的圖像，圖像大小為360×270，每幅圖像的檢測平均時間為60ms。由圖2本方法和GC[18]方法的對比可以看出，本方法對交通標志的顯著性檢測具有明顯優勢。

圖2 交通標志檢測效果圖及與GC方法對比

五、總結

本文提出了一種基于顯著性檢測的交通標志檢測方法，通過圖像分割將圖像劃分為一個個區域，利用區域之間的顏色對比度來來計算區域的顯著性值，在計算過程中，加入了顏色空間量化和平滑以減少算法計算復雜度，此外，還利用了顏色加權和邊緣偏置的方法對圖像顯著性值加以約束，進一步提升了檢測結果的精確度。實驗結果顯示，該方法能快速有效的檢測出交通標志顯著性區域，對于實際應用有較大意義。

【參考文獻】

[1]Itti L,Koch C,Niebur E.A Model of Saliency-Based Visual Attention for Rapid Scene Analysis[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,1998,20(11):1254-1259.

[2]Klein D A,Frintrop S.Center-surround divergence of feature statistics for salient object detection[C]// IEEE International Conference on Computer Vision.IEEE,2012:2214-2219.

[3]Achanta R,Estrada F,Wils P,et al.Salient region detection and segmentation[J].2008,5008:66-75.

[4]HOU Xiaodi,ZHANG Liqing.Saliency detection:A spectral residual approach[C]// Proceeding of IEEE Conference on Computer Vision and Pattern Recognition,Rio,Brazil,Oct 14-20,2007:1-8.

[5]Achanta R,Hemami S,Estrada F,et al.Frequency-tuned salient region detection[C]// Proceeding of IEEE Conference on Computer Vision and Pattern Recognition,Kyoto,Japan,Sept 29-Oct 2,2009:1597-1604.

[6]Sha C,Li X,Shao Q,et al.Saliency detection via boundary and center priors[C]// International Congress on Image and Signal Processing.IEEE,2014:1066-1071.

[7]Yang H,Xu X,Mu N.Saliency Detection Model for Low Contrast Images Based on Amplitude Spectrum Analysis and Superpixel Segmentation[C]// Bio-Inspired Computing - Theories and Applications.Springer,Singapore,2016:454-460.

[8]Liu Z,Le M,Luo S.Superpixel-based saliency detection[C]// International Workshop on Image Analysis for Multimedia Interactive Services.IEEE,2013:1-4.

[9]ZHAO Gaopeng,YIN Mingfeng,CHEN Yi.Image salient region detection based on histogram[C]// Chinese Control Conference,Xi′an,China,Jul 26-28,2013:3570-3574.