本發(fā)明屬于圖像處理、計(jì)算機(jī)視覺及模式識(shí)別領(lǐng)域，具體涉及一種道路行駛區(qū)域的視覺檢測(cè)方法。
背景技術(shù)：
：道路行駛區(qū)域的檢測(cè)，在圖像處理、計(jì)算機(jī)視覺及模式識(shí)別領(lǐng)域具有重要的應(yīng)用，根據(jù)道路行駛區(qū)域的檢測(cè)結(jié)果，可決定視頻圖像場(chǎng)景中車輛、行人存在的空間范圍，并服務(wù)于智能交通系統(tǒng)領(lǐng)域；經(jīng)典的馬爾科夫隨機(jī)場(chǎng)方法可實(shí)現(xiàn)像素級(jí)別的圖像區(qū)域檢測(cè)，基本思想是將上下文約束應(yīng)用于圖像中相鄰的元素；為了增加檢測(cè)判別所使用的特征維數(shù)，提高區(qū)域檢測(cè)的速度，wang方法(參考wang的方法：wangxf,zhangxp.anewlocalizedsuperpixelmarkovrandomfieldforimagesegmentation[c].ieeeinternationalconferenceonmultimedia&expo.2009)提出了一種基于局部超像素馬爾科夫隨機(jī)場(chǎng)的圖像分割方法，采用循環(huán)迭代的方式，以超像素代替像素實(shí)現(xiàn)圖像區(qū)域檢測(cè)，然而該方法存在未充分利用圖像時(shí)域信息、能量函數(shù)迭代復(fù)雜、效率不高等缺陷；pei方法(參考pei的方法：peisc,changww,shenct.saliencydetectionusingsuperpixelbeliefpropagation[c].ieeeinternationalconferenceonimageprocessing,2014.)提出了一種基于超像素顯著性特征的圖像區(qū)域檢測(cè)算法，首先將圖像分割為中層超像素，并提取單個(gè)超像素的視覺特征，在此基礎(chǔ)上建立馬爾科夫隨機(jī)場(chǎng)算法來優(yōu)化圖像顯著性區(qū)域，然而該方法要求圖像前背景區(qū)域具有較強(qiáng)對(duì)比度，并且對(duì)初始顯著性區(qū)域的依賴性較強(qiáng)。技術(shù)實(shí)現(xiàn)要素：本發(fā)明解決的問題在于提供一種在運(yùn)動(dòng)復(fù)雜背景條件下的道路行駛區(qū)域檢測(cè)的快速魯棒方法，該方法在中層超像素分割基礎(chǔ)上構(gòu)建能量函數(shù)，能量函數(shù)的數(shù)據(jù)依賴項(xiàng)由超像素的顏色、紋理、位置特征定義；數(shù)據(jù)交互項(xiàng)引入時(shí)空鄰域超像素的交互作用，根據(jù)其標(biāo)簽和顏色特征差異性予以定義；根據(jù)“初始全局能量值計(jì)算—局部能量值比較—全局能量值比較”循環(huán)判別實(shí)施能量最小化；圖像序列的首幀超像素類別標(biāo)簽依據(jù)語義標(biāo)注生成，具有良好的區(qū)域判別效果。本發(fā)明準(zhǔn)確率高，簡(jiǎn)單有效。為了達(dá)到上述目的，本發(fā)明采用如下技術(shù)方案：一種道路行駛區(qū)域的視覺檢測(cè)方法，包括如下步驟：步驟1：對(duì)輸入圖像進(jìn)行超像素分割；步驟2：采用語義標(biāo)注分類的方式，對(duì)首幀圖像中超像素的類別標(biāo)簽進(jìn)行初始化；對(duì)圖像序列中的其余各幀，認(rèn)為相鄰圖像幀之間的道路區(qū)域改變較小，將當(dāng)前幀超像素類別標(biāo)簽傳播到下一幀作為初始化；步驟3：初始全局能量函數(shù)計(jì)算：基于初始超像素類別標(biāo)簽，計(jì)算當(dāng)前幀的初始全局能量函數(shù)其中能量函數(shù)由數(shù)據(jù)觀測(cè)項(xiàng)和數(shù)據(jù)交互項(xiàng)兩部分組成，數(shù)據(jù)交互項(xiàng)考慮了幀內(nèi)的空域超像素交互影響，以及相鄰幀之間的時(shí)域超像素交互影響；其中針對(duì)t時(shí)刻的全局能量函數(shù)定義如下：其中代表t時(shí)刻的全局能量函數(shù)，當(dāng)t＝0時(shí)代表初始全局能量函數(shù)，s代表超像素集合，xi代表第i個(gè)超像素的表觀特征，yi代表第i個(gè)超像素的標(biāo)簽，yi的取值范圍為{1,0}，logp(xi|yi)代表第i個(gè)超像素對(duì)應(yīng)的數(shù)據(jù)觀測(cè)項(xiàng)，fij(·)為空域數(shù)據(jù)交互項(xiàng)，用于衡量單幅圖像內(nèi)相鄰超像素的交互作用，nspa{i}代表第i個(gè)超像素的空域鄰近超像素，ntem{i}代表第i個(gè)超像素的時(shí)域鄰近超像素，λ1和λ2分別代表空域數(shù)據(jù)交互項(xiàng)的權(quán)重，若算法針對(duì)單幅圖像時(shí)λ2＝0；定義數(shù)據(jù)觀測(cè)項(xiàng)對(duì)應(yīng)的概率值為顏色、紋理和位置概率的乘積表達(dá)形式：p(xi|yi)＝p(ci|yi)p(ti|yi)p(hi|yi)(2)其中ci，ti和hi分別代表超像素i的顏色、紋理和位置特征；顏色概率基于三通道的高斯分布進(jìn)行計(jì)算：其中μm和σm分別代表標(biāo)簽yi對(duì)應(yīng)的顏色特征池中，第m個(gè)均值及協(xié)方差矩陣；紋理概率基于gabor濾波器的輸出進(jìn)行計(jì)算；在計(jì)算紋理概率時(shí)，選取以當(dāng)前超像素為中心的圖像子塊，計(jì)算該圖像子塊的gabor濾波器輸出向量，并求取與紋理特征池中各聚類中心的互相關(guān)系數(shù)，將其最大值的指數(shù)形式作為紋理概率值，紋理概率的計(jì)算公式如下：其中mtm代表道路區(qū)域紋理特征池tr中，第m個(gè)紋理聚類中心，互相關(guān)系數(shù)r(·)定義如下：其中n代表紋理特征向量的維數(shù)；位置概率計(jì)算公式如下：在計(jì)算位置概率時(shí)，將輸入圖像映射到一個(gè)尺寸相對(duì)較小的規(guī)則方塊，其中hi代表規(guī)則方塊中的坐標(biāo)位置，而在訓(xùn)練數(shù)據(jù)集時(shí)，也采用同樣的映射方式獲取規(guī)則方塊，代表訓(xùn)練數(shù)據(jù)集中，位于規(guī)則方塊hi坐標(biāo)處屬于標(biāo)簽yi的超像素?cái)?shù)目，代表在訓(xùn)練集中，位于規(guī)則方塊hi坐標(biāo)處的超像素總數(shù)，αλ和ωλ為常數(shù)值；數(shù)據(jù)交互項(xiàng)的計(jì)算公式如下：fij(yi,yj)＝(1-δ(yi,yj))exp(-β||xi-xj||2)(7)其中||·||代表l2范數(shù)，δ(·)代表克羅內(nèi)克函數(shù)：常數(shù)系數(shù)β定義為：β＝(2<||xi-xj||2>)-1(9)其中<·>代表所有超像素對(duì)計(jì)算所得的期望均值；步驟4：局部能量函數(shù)比較：對(duì)于每個(gè)超像素i，定義其局部能量函數(shù)為：依據(jù)局部能量值對(duì)每個(gè)超像素的標(biāo)簽yi進(jìn)行比較置換，若計(jì)算所得的局部能量值則更新其標(biāo)簽：yi＝l\yi，否則保留當(dāng)前標(biāo)簽；步驟5：t時(shí)刻的全局能量函數(shù)的更新：根據(jù)新的超像素類別標(biāo)簽，按照公式(1)計(jì)算更新后的全局能量函數(shù)步驟6：全局能量函數(shù)循環(huán)判別：如果與上次迭代取值之差小于閾值ε，則算法終止；否則跳轉(zhuǎn)至步驟4)循環(huán)執(zhí)行。本發(fā)明和現(xiàn)有技術(shù)相比較，具有如下優(yōu)點(diǎn)：相比于已有經(jīng)典的圖像區(qū)域檢測(cè)方法，本算法檢測(cè)準(zhǔn)確率高，檢測(cè)速度快，對(duì)環(huán)境噪聲魯棒，方法簡(jiǎn)單有效。附圖說明圖1為本發(fā)明方法流程圖。圖2為道路區(qū)域檢測(cè)結(jié)果比較，其中圖2(a)為輸入圖像，圖2(b)為單個(gè)像素馬爾科夫隨機(jī)場(chǎng)算法(pmrf)的實(shí)驗(yàn)結(jié)果，圖2(c)為超像素支持向量機(jī)(svm)的實(shí)驗(yàn)結(jié)果，圖2(d)為本發(fā)明針對(duì)單幅圖像的超像素馬爾科夫隨機(jī)場(chǎng)算法(smrf1)的實(shí)驗(yàn)結(jié)果，圖2(e)為本發(fā)明針對(duì)圖像序列的超像素馬爾科夫隨機(jī)場(chǎng)算法(smrf2)的實(shí)驗(yàn)結(jié)果。其中淺色部分代表道路區(qū)域，深色部分代表非道路區(qū)域。圖3為道路區(qū)域檢測(cè)結(jié)果的定量比較，其中圖3(a)為基于iair數(shù)據(jù)集的定量比較結(jié)果，圖3(b)為基于bristol數(shù)據(jù)集的定量比較結(jié)果，圖3(c)為基于caltech數(shù)據(jù)集的定量比較結(jié)果。圖4為本發(fā)明針對(duì)圖像序列的超像素馬爾科夫隨機(jī)場(chǎng)算法(smrf2)的實(shí)驗(yàn)結(jié)果，其中圖4(a)為基于iair數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果，圖4(b)為基于bristol數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果，圖4(c)為基于caltech數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果。其中淺色部分代表道路區(qū)域，深色部分代表非道路區(qū)域。具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明做詳細(xì)描述。如圖1所示，本發(fā)明一種道路行駛區(qū)域的視覺檢測(cè)方法，包括如下步驟：1)對(duì)輸入圖像進(jìn)行超像素分割，其中超像素分割采用了均勻分割的方式，以超像素作為中層特征感知一致性單元，可定義顏色、紋理等特征描述子；2)根據(jù)先驗(yàn)知識(shí)，確定圖像中的初始超像素類別標(biāo)簽，可采用語義標(biāo)注分類的方法，賦予首幀超像素類別標(biāo)簽更為精確的定義，對(duì)之后超像素類別標(biāo)簽的幀間傳播奠定了良好基礎(chǔ)；若算法針對(duì)于圖像序列，可認(rèn)為相鄰圖像幀之間的道路區(qū)域改變較小，可將當(dāng)前幀超像素類別標(biāo)簽傳播到下一幀作為初始化，提高了類別標(biāo)簽初始化的準(zhǔn)確度，從而減少了能量函數(shù)的迭代次數(shù)，加快了算法速度；3)初始全局能量函數(shù)計(jì)算：基于初始超像素類別標(biāo)簽，計(jì)算當(dāng)前幀的初始全局能量函數(shù)其中能量函數(shù)由數(shù)據(jù)觀測(cè)項(xiàng)和數(shù)據(jù)交互項(xiàng)兩部分組成，數(shù)據(jù)交互項(xiàng)考慮了幀內(nèi)的空域超像素交互影響，以及相鄰幀之間的時(shí)域超像素交互影響；針對(duì)于視頻中每一幀圖像，第t次迭代的全局能量函數(shù)定義如下：其中代表t時(shí)刻的全局能量函數(shù)，當(dāng)t＝0時(shí)代表初始全局能量函數(shù)，s代表超像素集合，xi代表第i個(gè)超像素的表觀特征，yi代表第i個(gè)超像素的標(biāo)簽，yi的取值范圍為{1,0}，logp(xi|yi)代表第i個(gè)超像素對(duì)應(yīng)的數(shù)據(jù)觀測(cè)項(xiàng)，fij(·)為空域數(shù)據(jù)交互項(xiàng)，用于衡量單幅圖像內(nèi)相鄰超像素的交互作用，nspa{i}代表第i個(gè)超像素的空域鄰近超像素，ntem{i}代表第i個(gè)超像素的時(shí)域鄰近超像素，λ1和λ2分別代表空域數(shù)據(jù)交互項(xiàng)的權(quán)重，若算法針對(duì)單幅圖像時(shí)λ2＝0。定義數(shù)據(jù)觀測(cè)項(xiàng)對(duì)應(yīng)的概率值為顏色、紋理和位置概率的乘積表達(dá)形式：p(xi|yi)＝p(ci|yi)p(ti|yi)p(hi|yi)(2)其中ci，ti和hi分別代表超像素i的顏色、紋理和位置特征。顏色概率基于三通道的高斯分布進(jìn)行計(jì)算：其中μm和σm分別代表標(biāo)簽yi對(duì)應(yīng)的顏色特征池中，第m個(gè)均值及協(xié)方差矩陣。紋理概率基于gabor濾波器的輸出進(jìn)行計(jì)算。在計(jì)算紋理概率時(shí)，選取以當(dāng)前超像素為中心的圖像子塊，計(jì)算該圖像子塊的gabor濾波器輸出向量，并求取與紋理特征池中各聚類中心的互相關(guān)系數(shù)，將其最大值的指數(shù)形式作為紋理概率值，紋理概率的計(jì)算公式如下：其中mtm代表道路區(qū)域紋理特征池tr中，第m個(gè)紋理聚類中心，互相關(guān)系數(shù)r(·)定義如下：其中n代表紋理特征向量的維數(shù)。位置概率計(jì)算公式如下：在計(jì)算位置概率時(shí)，將輸入圖像映射到一個(gè)尺寸相對(duì)較小的規(guī)則方塊，其中hi代表規(guī)則方塊中的坐標(biāo)位置，而在訓(xùn)練數(shù)據(jù)集時(shí)，也采用同樣的映射方式獲取規(guī)則方塊，代表訓(xùn)練數(shù)據(jù)集中，位于規(guī)則方塊hi坐標(biāo)處屬于標(biāo)簽yi的超像素?cái)?shù)目，代表在訓(xùn)練集中，位于規(guī)則方塊hi坐標(biāo)處的超像素總數(shù)，αλ和ωλ為常數(shù)值。數(shù)據(jù)交互項(xiàng)的計(jì)算公式如下：fij(yi,yj)＝(1-δ(yi,yj))exp(-β||xi-xj||2)(7)其中||·||代表l2范數(shù)，δ(·)代表克羅內(nèi)克函數(shù)：常數(shù)系數(shù)β定義為：β＝(2<||xi-xj||2〉)-1(9)其中〈·〉代表所有超像素對(duì)計(jì)算所得的期望均值。4)局部能量函數(shù)比較：對(duì)于每個(gè)超像素i，定義其局部能量函數(shù)為：依據(jù)局部能量值對(duì)每個(gè)超像素的標(biāo)簽yi進(jìn)行比較置換，若計(jì)算所得的局部能量值則更新其標(biāo)簽：yi＝l\yi否則保留當(dāng)前標(biāo)簽；5)全局能量函數(shù)的更新：根據(jù)新的超像素類別標(biāo)簽及局部能量函數(shù)，按照公式(1)計(jì)算更新后的全局能量函數(shù)6)全局能量函數(shù)循環(huán)判別：如果與上次迭代取值之差小于閾值ε，則算法終止；否則跳轉(zhuǎn)至步驟4)循環(huán)執(zhí)行。閾值ε取較小常數(shù)值，如可取ε＝0.05。本發(fā)明的有益效果是：相比于已有經(jīng)典的圖像區(qū)域檢測(cè)方法，本發(fā)明方法檢測(cè)準(zhǔn)確率高，檢測(cè)速度快，對(duì)環(huán)境噪聲魯棒，方法簡(jiǎn)單有效。本發(fā)明方法在惠普工作站上基于matlabr14實(shí)現(xiàn)，工作債擁有2.0ghzamd處理器及8.0g內(nèi)存。實(shí)驗(yàn)數(shù)據(jù)選取了四組不同的圖像序列：“bristol道路數(shù)據(jù)集”(256x256x200)，“caltech道路數(shù)據(jù)集”(340x240x200)，“iair道路數(shù)據(jù)集”(256x256x200)。圖2所示為本發(fā)明提出的針對(duì)單幅圖像的超像素馬爾科夫隨機(jī)場(chǎng)算法(smrf1)圖2d，針對(duì)圖像序列的馬爾科夫隨機(jī)場(chǎng)算法(smrf2)圖2e，與單個(gè)像素的馬爾科夫隨機(jī)場(chǎng)算法(pmrf)圖2b，以及超像素支持向量機(jī)(svm)圖2c方法的直觀比較結(jié)果。圖1a為輸入圖像。其中淺色區(qū)域代表道路區(qū)域，深色區(qū)域代表非道路區(qū)域。由直觀比較結(jié)果可知，本發(fā)明的算法具有最為精確的區(qū)域檢測(cè)結(jié)果。圖3所示將本發(fā)明針對(duì)單幅圖像的馬爾科夫隨機(jī)場(chǎng)算法(smrf1)，針對(duì)圖像序列的馬爾科夫隨機(jī)場(chǎng)算法(smrf2)，與單個(gè)像素的馬爾科夫隨機(jī)場(chǎng)算法(pmrf)，以及超像素支持向量機(jī)(svm)方法的定量比較結(jié)果。在定量比較圖像區(qū)域檢測(cè)結(jié)果時(shí)，采用相對(duì)于基準(zhǔn)路面區(qū)域的查準(zhǔn)率(pre)和查全率(rec)作為衡量標(biāo)準(zhǔn)，查準(zhǔn)率定義為：在每一幀檢測(cè)判別為指定圖像區(qū)域中，實(shí)際判別正確的像素所占的百分比；相應(yīng)地，查全率定義為：在每一幀對(duì)應(yīng)的基準(zhǔn)圖像區(qū)域中，實(shí)際判別正確的像素所占的百分比。查準(zhǔn)率pre和查全率rec的表達(dá)式分別為：其中r和rg分別代表檢測(cè)和標(biāo)定的道路區(qū)域。根據(jù)查全率和查準(zhǔn)率，可以計(jì)算相應(yīng)的調(diào)和均值(f-measure)：其中α一般取值為0.5，即同等看待查全率和查準(zhǔn)率，調(diào)和均值作為綜合性質(zhì)的評(píng)價(jià)標(biāo)準(zhǔn)，兼顧了查全率和查準(zhǔn)率的影響因素，可用于統(tǒng)一衡量最終的檢測(cè)結(jié)果。比較的結(jié)果說明了相比其它兩種算法，本發(fā)明算法具有更好的可靠性和魯棒性。表1展示了本發(fā)明方法(smrf1和smrf2)與pmrf方法、svm方法的平均每幀檢測(cè)時(shí)間比較，由比較結(jié)果可知，本發(fā)明的方法可取得與上述方法相比更快的區(qū)域檢測(cè)速度，其中smrf2相比smrf1的速度更快。表1平均每幀檢測(cè)時(shí)間比較(s)pmrfsvmsmrf1smrf2iair6.223.222.892.28bristol7.533.512.852.41caltech7.924.293.122.85圖4中圖4(a)、圖4(b)、圖4(c)展示了更多的針對(duì)圖像序列的超像素馬爾科夫隨機(jī)場(chǎng)算法(smrf2)的道路區(qū)域檢測(cè)結(jié)果。當(dāng)前第1頁12