基于顏色矩和SVM的魔方顏色識別算法研究

蔣庶 王洪棟 施靜怡 馮梓洲

摘要：針對魔方機器人顏色識別易受光照條件影響，導致識別準確率低的問題，提出一種基于顏色矩和SVM的魔方顏色識別算法，實驗首先通過采集低、正常和高三種不同照度下的魔方圖像，構建顏色識別數據集，然后提取HSV顏色空間下的顏色矩特征對顏色信息進行表征，最后采用支持向量機算法實現顏色識別，通過與樸素貝葉斯、KNN算法進行實驗對比分析，結果表明該方法能夠有效提高魔方顏色識別準確率，有效抑制光照對魔方顏色識別的不良影響。

關鍵詞：顏色識別；SVM；顏色矩；魔方機器人

中圖分類號：TP18 ? ? ?文獻標識碼：A

文章編號：1009-3044（2022）28-0014-03

近年來，隨著機器學習技術的廣泛引用，結合機器人高可玩性和高交互性特點，各型機器人正逐步走進人們的視野。在人工還原魔方的同時，機器人技術也被廣泛應用于魔方復原，以展示工業機械手的操作精度及速度，同時魔方機器人也日益成為科普教育的重要載體。當前，越來越多的工程師和研究者正在將機器視覺、智能算法等技術應用于魔方機器人的研究中，以提高其魔方復原的速度和穩定性。魔方顏色識別算法是構建魔方機器人的最核心組成部分，也是后續魔方復原的基礎和前提，因此其識別的準確率和魯棒性顯得尤為重要[1-2]。

現有魔方顏色識別方法主要是使用CCD攝像機獲取魔方每個面的圖像，通過RGB閾值法判斷魔方色塊顏色，或者使用顏色傳感器如（TCS3200） 獲取魔方色塊顏色信息并判斷魔方色塊顏色。雖然使用RGB閾值法計算簡單，但極易受到光照條件變化的影響，在低照度和高照度情況下，魔方顏色識別準確率較低。使用顏色傳感器的識別方法簡單，但識別效率低，即一次只能完成一個色塊的識別，且光照強度也是影響其識別準確率的主要因素[3-5]。因而提取更高魯棒性的顏色特征和顏色識別算法具有重要的研究意義和實踐價值。

1 研究方法

針對當前魔方顏色識別準確率受光照條件影響大的問題，提出改進的基于顏色矩和支持向量機（SVM） 的魔方顏色識別算法。實驗首先采集了三種不同光照條件下的魔方圖像，構建顏色識別數據集，以避免模型過擬合的風險；其次，提取更加全面準確反映其顏色特點的顏色矩作為顏色特征，最后采用分類性能優良且對噪聲魯棒的SVM算法進行顏色識別，模型構建過程采用十折交叉驗證方案，使模型在不同光照條件都有良好的泛化性能。

1.1 數據集

拍攝三種不同光照條件下的魔方照片共136張，圖片大小為2000×2000像素，并將圖片截取為固定大小為151×151像素的顏色塊圖片，作為數據集的基本單位，截取的每種顏色塊的樣本圖像數量分布如1所示：

1.2 顏色矩特征

由于HSV顏色空間的色調、飽和度、明度更加符合人眼對顏色的主觀認識，便于顏色對比，故采用HSV顏色空間對色塊顏色進行表征。在顏色特征提取方面，為減小運算量和提高顏色識別準確率，采用顏色矩作為顏色識別特征，該特征采用一階矩（均值，mean）、二階矩（方差，viarance）和三階矩（斜度，skewness）來表示圖像的顏色分布，其中一階矩反映色塊的亮度信息，二階矩反映顏色的分布范圍，三階矩反映顏色分布的對稱性[6]，顏色矩能全面反映其顏色分布特點，HSV三通道組成一個9維顏色特征，三個顏色矩數學定義如下：

其中[i=h，s，v]，分別對應HSV通道，[Ei]是通道[i]上的一階矩，[σi]表示通道[i]上的二階矩，[si]表示通道[i]上的三階矩，[pij]表示第[j]個像素在通道[i]上的顏色值，[N]為圖像中像素的個數。

1.3 支持向量機識別算法

支持向量機（SVM） 是一種廣受歡迎的分類算法，其基本思想是尋找一個最優分類超平面作為決策曲面，使兩類之間的分類間距達到最大。劃分超平面通常表示為：[WTx+b=0]。其中將[n]維度空間上的點標記為-1，+1的方式來判斷點位于超平面的哪一側。當訓練樣本為線性不可分時，采用核函數將樣本映射到一個更高維的特征空間，使得樣本可分。常用的核函數包括線性核函數、多項式核函數、 高斯核函數[7-8]。

實驗選擇將SVM并行設置6個分類器，實現對6種顏色的識別，將多分類問題轉變成多個二分類問題，在對SVM的三個核函數進行對比后，采用3次多項式核函數進行模型構建。

為了證明所提方法的有效性，選擇廣泛用于分類任務的樸素貝葉斯與K近鄰算法（KNN） 作為實驗對比算法。樸素貝葉斯算法是基于概率論的分類算法，具有穩定的分類效率，能夠處理多分類任務，適合增量式訓練等優點。KNN是利用測量不同特征值之間的距離方法進行分類，具有精度高、對異常值不敏感等優點。為了在有限的數據中，獲取更多的有效信息，提高模型的泛化能力，實驗采用十折交叉驗證。

2 實驗結果與分析

模型評估方面分別采用預測準確率和混淆矩陣對三種模型進行評估，預測準確率是預測正確的樣本占總樣本的百分比，反映了模型對整體樣本判斷正確的能力，值越大，代表性能越好?；煜仃囀窃u價分類模型好壞的形象化展示工具，能夠直觀地顯示多個類別之間是否混淆，以及混淆的樣本數量，可以克服僅用分類準確率進行評估的局限性?；煜仃嚨拿恳涣写眍A測的顏色值，每一行代表真實的顏色值，對角線上的元素是預測正確的樣本數量，非對角線的元素是預測錯誤的樣本數量。三種算法的模型預測準確率如圖1所示：

通過圖1可以看出，三種算法均取得了較好的分類性能，其中SVM分類器的分類準確率最高，達到99.9%，KNN算法的分類準確率最低，為98.9%。

三種算法模型預測的混淆矩陣如圖2所示。

通過混淆矩陣看出，SVM分類器分類錯誤的數量最少，總共有12個樣本分類錯誤。SVM分類器對紅色和綠色容易分類錯誤，其中綠色被識別為紅色的數量為1，識別為黃色的個數為2；紅色被識別為綠色和橙色的個數分別為1和8。KNN的分類錯誤的個數最多，樸素貝葉斯次之。總之，從對三種模型的評估結果可以看出，無論從分類準確率還是混淆矩陣，所提算法都獲得了最佳的分類性能，也驗證了所提算法的有效性。

3 結論

文章提出了一種基于HSV空間下的顏色矩特征和SVM的魔方顏色識別算法，該算法能夠有效應對不同光照條件下的魔方顏色識別問題。實驗首先通過采集不同光照下的魔方圖像構建顏色分類數據集，然后通過提取HSV顏色空間下的顏色矩特征對顏色進行表征，最后通過SVM算法構建顏色分類模型，并與樸素貝葉斯和KNN算法進行對比分析，實驗結果驗證了所提算法的有效性。

參考文獻：

[1] 劉樹博，葛遠香，魏佳寶，等.新型解魔方機器人系統設計與研究[J].現代電子技術，2021，44（4）：177-181.

[2] 孔凡國，譚水生.兩臂二指智能魔方機器人執行控制系統設計[J].機床與液壓，2020，48（23）：40-44.

[3] 鄧小穎，魏國梁，李志強，等.基于STC8的雙臂魔方機器人設計[J].無線電工程，2020，50（10）：831-834.

[4] 馬希青，蘇磊，張立香.基于STM32和Android的解魔方機器人設計與實現[J].機械設計與研究，2019，35（5）：15-17，27.

[5] 崔俊文，劉自紅，鄧明洋，等.基于DFS的二指雙臂魔方機器人[J].電腦知識與技術，2019，15（24）：194-198.

[6] 盧洪勝，葉民，曹學全，等.基于顏色矩的病理判讀算法在甲狀腺癌冷凍切片病理輔助診斷中的探索[J].中華病理學雜志，2021，50（4）：349-352.

[7] 黃一鳴，趙國新，魏戰紅，等.基于特征增強和優化SVM的工控入侵檢測[J].計算機工程與設計，2021，42（12）：3373-3379.

[8] 張燕，田國英，楊英茹，等.基于SVM的設施番茄早疫病在線識別方法研究[J].農業機械學報，2021，52（S1）：125-133，206.

【通聯編輯：唐一東】