陳澄,任益枚
(1.四川大學(xué)計(jì)算機(jī)學(xué)院,成都610065;2.四川大學(xué)信息化建設(shè)與管理辦公室,成都610065)
由于熱紅外圖像具有較清晰的夜間可視性,近幾年受到了各個(gè)領(lǐng)域的廣泛應(yīng)用,特別是車(chē)載紅外的運(yùn)用為駕駛?cè)说囊归g行駛提供了更高的安全保障。同時(shí)隨著智能駕駛車(chē)輛的快速普及,道路檢測(cè)算法也成為了計(jì)算機(jī)視覺(jué)中一項(xiàng)重要的研究?jī)?nèi)容,常見(jiàn)的道路區(qū)域檢測(cè)方法幾乎是基于可見(jiàn)光圖像的,且主要關(guān)注具有明顯道路邊界和車(chē)道標(biāo)記的結(jié)構(gòu)化道路[12-13],但由于紅外道路細(xì)節(jié)缺失,且紋理信息較弱,常規(guī)基于可見(jiàn)光的算法在紅外圖像上表現(xiàn)不佳。所以,提出一種針對(duì)紅外道路圖像的道路檢測(cè)算法非常重要。消失點(diǎn)作為道路圖像的基本特征,已被廣泛應(yīng)用于道路檢測(cè)中,在紅外道路中使用消失點(diǎn)作為約束進(jìn)行檢測(cè)可以大幅度提高檢測(cè)性能,本文主要關(guān)注從道路圖像中估計(jì)消失點(diǎn)。
大多數(shù)現(xiàn)有的消失點(diǎn)檢測(cè)算法主要分為四個(gè)類(lèi)別:一是基于空間變換的方法,基于空間變換的方法[1-2]使用空間變換技術(shù)(例如高斯球體映射和級(jí)聯(lián)霍夫變換)來(lái)檢測(cè)消失點(diǎn);二是基于邊緣的方法[3-4]直接檢測(cè)直線特征以找到一組消失點(diǎn);三是基于區(qū)域的方法[5-6],搜索相似的全局結(jié)構(gòu)和重復(fù)模式(例如墻壁、門(mén)和窗戶)以定義消失點(diǎn)的位置;四是基于紋理的消失點(diǎn)檢測(cè)方法,Rasmussen[7]應(yīng)用一組多尺度Gabor 濾波器,選擇具有最大響應(yīng)的濾波器對(duì)應(yīng)的方向作為每個(gè)像素處的紋理方向,然后,根據(jù)每個(gè)點(diǎn)的方向進(jìn)行投票,票數(shù)最高的位置被視為道路的消失點(diǎn),但該算法更傾向于偏愛(ài)圖像上部中的點(diǎn)。為了解決文獻(xiàn)[7]中的硬投票方案的缺點(diǎn),Kong[8]提出了一種軟投票方案來(lái)提高準(zhǔn)確性。Moghadam[9]提出了一種有效的方法來(lái)估計(jì)紋理占主導(dǎo)地位的方向,只用四個(gè)定向?yàn)V波器和一個(gè)加權(quán)投票方案來(lái)檢測(cè)消失點(diǎn),但當(dāng)圖像具有復(fù)雜的道路背景時(shí),這些方法效果不佳。Yang[10]設(shè)計(jì)了一種自適應(yīng)紋理描述符WOD,能夠在保留道路線索的同時(shí)消除噪聲,但該算法容易收到圖像中如陰影等干擾紋理的影響。
由于可見(jiàn)光圖像較紅外圖像具有更清晰的紋理細(xì)節(jié),上述算法對(duì)于可見(jiàn)光道路圖像的消失點(diǎn)檢測(cè)具有較好的效果,但是對(duì)于紅外道路圖像而言效果并不好,本文針對(duì)紅外圖像紋理不清晰的特點(diǎn),提出了一種新穎的基于紋理的消失點(diǎn)檢測(cè)算法,實(shí)驗(yàn)結(jié)果表明,本文提出的算法在紅外道路圖像中取得了比較精確的檢測(cè)效果。
本文使用Gabor 濾波器計(jì)算每個(gè)像素的紋理響應(yīng)方向,Gabor 濾波器作為估計(jì)局部紋理方向的最佳濾波器之一,可以準(zhǔn)確地估計(jì)每個(gè)像素的局部主導(dǎo)方向,并且已廣泛應(yīng)用于例如指紋分類(lèi)與頭發(fā)捕獲等實(shí)際應(yīng)用中[10]。方向φn和徑向頻率為ω的二維k×kGabor 核g為:
其中(x,y)=( 0,0 )代表濾波核中心,a=xcosφn+ysinφn,b=-xsinφn+ycosφn,其中σ和c是常量。
為了估計(jì)圖像中每個(gè)像素的主導(dǎo)方向,本文使用36 個(gè)預(yù)定義方向(0°,5°,…,175°)的一組Gabor 濾波器與圖像進(jìn)行卷積運(yùn)算。Gabor 能量響應(yīng)度Eφn( )p定義為復(fù)數(shù)濾波器響應(yīng)的幅度,如下所示:
1.2.1 消失點(diǎn)投票方案
獲取了圖像像素的紋理主方向后,為了減少計(jì)算量,本文首先根據(jù)方向響應(yīng)強(qiáng)度對(duì)投票區(qū)域進(jìn)行了篩選,將最大方向響應(yīng)強(qiáng)度小于一定閾值的投票像素點(diǎn)定義為弱紋理像素點(diǎn),該類(lèi)像素點(diǎn)極有可能出現(xiàn)紋理方向檢測(cè)錯(cuò)誤的情況,對(duì)正確消失點(diǎn)的投票過(guò)程產(chǎn)生較大干擾,同時(shí)還根據(jù)簡(jiǎn)單的垂直特征檢測(cè)方法剔除掉具有垂直特征的區(qū)域:由于Gabor 算子計(jì)算的是像素點(diǎn)的局部紋理響應(yīng)方向,具有離散性,無(wú)法判斷區(qū)域內(nèi)是否具有垂直物體,所以為了能夠最大限度的排除掉垂直特征,本文首先使用Canny 邊緣檢測(cè)算法對(duì)圖像的邊緣進(jìn)行檢測(cè),根據(jù)檢測(cè)結(jié)果,遍歷邊緣圖像中的每一個(gè)像素點(diǎn),設(shè)置以該像素點(diǎn)為底邊中心點(diǎn)的一個(gè)長(zhǎng)方形區(qū)域,該長(zhǎng)方形區(qū)域的豎直長(zhǎng)度為H,水平寬度為W,若在邊緣圖像中的某一長(zhǎng)方形區(qū)域中,邊緣像素點(diǎn)的數(shù)量超過(guò)一定閾值,則判斷該區(qū)域?yàn)榇怪眳^(qū)域。在剔除掉所有干擾區(qū)域后再構(gòu)建投票區(qū)域。
圖1
1.2.2 基于方向約束的霍夫變換
陰影所造成的紋理干擾主要體現(xiàn)在其會(huì)導(dǎo)致圖像中非陰影場(chǎng)景原本的紋理走向改變,在投票時(shí),所投票的直線與車(chē)道平行線等直線相交導(dǎo)致產(chǎn)生了局部最大值點(diǎn),同時(shí),由于紅外圖像的紋理細(xì)節(jié)信息較弱,且在復(fù)雜的街道中,有時(shí)不存在明顯的車(chē)道平行線等特征,此時(shí)若出現(xiàn)強(qiáng)紋理陰影,就會(huì)對(duì)消失點(diǎn)檢測(cè)產(chǎn)生較大影響,最終錯(cuò)誤消失點(diǎn)的檢測(cè)位置往往在陰影區(qū)域與某一車(chē)道平行線的交點(diǎn)位置。為了解決這一問(wèn)題,本文提出了基于方向約束的霍夫變換來(lái)協(xié)助檢測(cè)正確的消失點(diǎn)位置。
首先,我們認(rèn)為,即使場(chǎng)景中存在較大的紋理干擾導(dǎo)致投票值最大的像素點(diǎn)并不是正確的消失點(diǎn),但正確的消失點(diǎn)仍會(huì)具有較大的投票值,所以,本文首先根據(jù)初步投票結(jié)果選擇出響應(yīng)強(qiáng)度較大的一部分候選消失點(diǎn),本文的候選消失點(diǎn)選擇標(biāo)準(zhǔn)為:令vote(x,y)表示投票空間坐標(biāo)為(x,y)的像素點(diǎn)的投票值,如果該點(diǎn)的投票值處于所有投票值的前5%,那么就將該點(diǎn)劃為候選消失點(diǎn),不同圖像的投票空間以及候選消失點(diǎn)集見(jiàn)圖2。
正確消失點(diǎn)往往出現(xiàn)在候選消失點(diǎn)集中,或者候選消失點(diǎn)所關(guān)聯(lián)的直線上,根據(jù)觀察,每一個(gè)高投票點(diǎn)都有一條或多條參與為其投票的直線,我們稱(chēng)這些直線為候選消失點(diǎn)的關(guān)聯(lián)直線,錯(cuò)誤消失點(diǎn)的關(guān)聯(lián)直線往往出現(xiàn)在陰影等干擾紋理區(qū)域中,該類(lèi)關(guān)聯(lián)直線的數(shù)量相對(duì)而言占少數(shù),但由于其在投票時(shí)與其他高投票直線在相交點(diǎn)位置產(chǎn)生了局部極大值,此類(lèi)交點(diǎn)票數(shù)高,進(jìn)而導(dǎo)致消失點(diǎn)檢測(cè)結(jié)果錯(cuò)誤?;诜较蚣s束的霍夫變換通過(guò)檢測(cè)每個(gè)候選消失點(diǎn)的關(guān)聯(lián)直線來(lái)檢測(cè)消失點(diǎn):首先針對(duì)每個(gè)候選消失點(diǎn),計(jì)算經(jīng)過(guò)該候選消失點(diǎn)的36 個(gè)方向的直線中,在直線上且處于有效投票區(qū)域內(nèi)的那部分像素點(diǎn)的數(shù)量,再進(jìn)一步計(jì)算這部分像素點(diǎn)中,紋理響應(yīng)方向與該直線方向一致的像素點(diǎn)所占的所有像素點(diǎn)的百分比,我們將該比例定義為T(mén)- SOCR(Texture- Straight Orientation Consistency Rate):
其中Nk表示經(jīng)過(guò)候選消失點(diǎn)的36 個(gè)方向中第k條直線Lk上所有像素點(diǎn)編號(hào)的最大值,也是像素點(diǎn)總數(shù),θik與orientLk分別表示直線Lk上的第i 個(gè)像素點(diǎn)的紋理方向和直線方向,AL 為36 條直線中T-SOCR 值最大的那條直線。
圖2
在候選消失點(diǎn)所在的36 個(gè)方向的直線中,若AL<0.1,則放棄處理該候選消失點(diǎn),否則,對(duì)滿足條件的直線進(jìn)行投票,本文將針對(duì)每個(gè)候選點(diǎn),選擇滿足AL>=0.1 的直線與T-SOCRLk>=AL*0.8 且T-SOCRLk>=0.1 的直線定義為該候選消失點(diǎn)的關(guān)聯(lián)直線,并在投票空間內(nèi),對(duì)該關(guān)聯(lián)直線進(jìn)行投票:本文采用基于TSOCR 的投票方案,對(duì)于T-SOCR 較小的直線,該直線可能并非是圖像場(chǎng)景中真實(shí)存在的直線特征,直線上的像素點(diǎn)的投票值就較低,對(duì)于T-SOCR 較大的直線,該類(lèi)直線極有可能是場(chǎng)景中真實(shí)存在的直線,如車(chē)道線、道路邊緣線等與消失點(diǎn)緊密相關(guān)的直線,該類(lèi)直線上的像素點(diǎn)就會(huì)獲得較高投票值。最終選擇投票值最多的兩條關(guān)聯(lián)直線之間的交點(diǎn)作為消失點(diǎn)。圖3 為不同圖像中得票數(shù)最多的兩條關(guān)聯(lián)直線。
圖3 不同道路消失點(diǎn)的關(guān)聯(lián)直線
傳統(tǒng)的霍夫變換的直線檢測(cè)策略是找到一條或多條直線,這些直線上的點(diǎn)的數(shù)量超過(guò)預(yù)先設(shè)定的閾值,但傳統(tǒng)霍夫變換在實(shí)際應(yīng)用中并不關(guān)注該類(lèi)點(diǎn)組成的直線是否是在真實(shí)場(chǎng)景中存在的直線,為了保證直線檢測(cè)的準(zhǔn)確性,我們?cè)趥鹘y(tǒng)消失點(diǎn)檢測(cè)算法中加入方向約束,基于方向約束的霍夫變換避免了傳統(tǒng)霍夫變換中會(huì)出現(xiàn)的檢測(cè)出場(chǎng)景中原本不存在直線的錯(cuò)誤情況。
本文采用250 張紅外道路圖像進(jìn)行實(shí)驗(yàn),并手動(dòng)標(biāo)定了數(shù)據(jù)集中圖像的消失點(diǎn)的準(zhǔn)確位置。下圖展示了3 種不同的方法在圖片上的部分檢測(cè)結(jié)果,圖片均為紅外道路,且環(huán)境較為復(fù)雜。綠色加號(hào)表示標(biāo)定消失點(diǎn)位置,紅色加號(hào)為本文算法檢測(cè)結(jié)果,粉色加號(hào)為Yang[10]方法,藍(lán)色加號(hào)為Kong[8]方法。
由圖4 可以看出,雖然在一些道路線索較為明顯的圖像中,三種算法并沒(méi)有顯著的差別,且均能較為準(zhǔn)確地檢測(cè)出消失點(diǎn)的位置,但在具有明顯陰影干擾或道路標(biāo)志線不明顯的道路上,本文的方法相較于另外兩種方法都更能準(zhǔn)確地檢測(cè)出消失點(diǎn)的位置。
圖4 實(shí)驗(yàn)結(jié)果
為了評(píng)估本文提出的消失點(diǎn)檢測(cè)算法在數(shù)據(jù)集里的整體表現(xiàn),本文采用歸一化歐氏距離[11]來(lái)量化檢測(cè)出的消失點(diǎn)與標(biāo)定消失點(diǎn)之間的距離誤差,如下:
其中M 表示數(shù)據(jù)集中圖像總數(shù)量,表1 為三種不同算法的評(píng)估結(jié)果。
表1
綜合定性分析和定量分析結(jié)果可知,本文方法的檢測(cè)結(jié)果距離誤差最小,檢測(cè)效果明顯比Kong 方法和Yang 方法更佳,能夠更加精確地檢測(cè)出紅外道路的消失點(diǎn)位置,且在具有陰影等干擾紋理和道路標(biāo)志線等道路特征不明顯的情況下,也具有較好的效果。
本文使用Gabor 濾波和基于方向約束的霍夫變換來(lái)檢測(cè)紅外道路圖像的消失點(diǎn)。首先經(jīng)紋理方向投票后對(duì)投票區(qū)域進(jìn)行了篩選,一定程度上避免了干擾紋理區(qū)域造成的影響。然后,本文根據(jù)投票結(jié)果,使用基于方向約束的霍夫變化從候選消失點(diǎn)集中尋找關(guān)聯(lián)直線,通過(guò)關(guān)聯(lián)直線的交點(diǎn)定位了消失點(diǎn)的位置,本文算法在具有陰影等干擾紋理以及道路標(biāo)志線不明顯的情況下也能較準(zhǔn)確地檢測(cè)出消失點(diǎn)位置,有效提高了消失點(diǎn)檢測(cè)的精度,能夠很好地適用于紅外道路圖像的消失點(diǎn)檢測(cè)。