許晗，汪劍鳴，王勝蓓

（天津工業(yè)大學電子與信息工程學院，天津300387）

室內(nèi)導航圖像中反光區(qū)域的檢測與分割算法

許晗，汪劍鳴，王勝蓓

（天津工業(yè)大學電子與信息工程學院，天津300387）

針對俯視圖像中往往存在反光區(qū)域使得導航算法性能下降這一問題，提出一種反光區(qū)域檢測與分割算法.在HSV顏色空間中對圖像反光區(qū)域的顏色特征進行分析，發(fā)現(xiàn)反光區(qū)域具有圖像飽和度分量較小、亮度分量較大、從反光區(qū)域的中心位置到邊緣區(qū)域亮度逐漸變低的特點，利用該特征實現(xiàn)了對圖像中反光區(qū)域的檢測和分割，并通過實驗對算法性能進行測試.結(jié)果表明，該算法可以準確地檢測出圖像中的反光區(qū)域.

視覺導航；地圖構(gòu)建；反光檢測；HSV顏色空間

移動機器人導航技術(shù)是智能機器人領(lǐng)域的一項重要研究內(nèi)容.根據(jù)導航依據(jù)的信息來源，導航技術(shù)可以分為視覺導航技術(shù)和非視覺導航技術(shù)兩種.相對非視覺導航技術(shù)來說，視覺導航方式具有信息量大、靈活性高、成本低等優(yōu)點，目前已成為移動機器人導航技術(shù)領(lǐng)域的研究熱點[1].視覺導航又可分為室外視覺導航和室內(nèi)視覺導航.在室內(nèi)環(huán)境中，往往利用一些特有的結(jié)構(gòu)化特征來簡化導航算法設(shè)計.例如，美國CMU大學Thrun等研制的第二代博物館導游機器人Minerva，基于雙目主動視覺通過搜索并識別室內(nèi)天花板上的吊頂來實現(xiàn)室內(nèi)導航[2].北京理工大學江澤民等[3]在2007年提出了一種基于平行線的攝像機內(nèi)外參數(shù)標定和自主移動平臺室內(nèi)視覺導航算法，在視覺導航時，視走廊左右踢腳線為一組平行線，由其在視平面上的投影直線的斜率、消失點坐標，控制自主移動平臺行駛的方向、距離和航向角，實現(xiàn)平臺的室內(nèi)視覺導航.臺灣交通大學吳智仁等[4]提出了一種利用安裝在車體上的全景攝像頭捕捉放置在屋頂上的圓形地標來對機器人進行導航的方法.隨著機器人的移動，橢圓的形狀也會產(chǎn)生相應的變化，機器人以此為依據(jù)，通過計算得出自己的相對位置，并通過捕捉圓形地標在房頂上的位置來實現(xiàn)導航.天津工業(yè)大學汪劍鳴、王曦等[5-6]則將導航相機固定到天花板上，提出了基于室內(nèi)俯視圖像的視覺導航模型.在設(shè)計基于俯視圖像的室內(nèi)導航算法時發(fā)現(xiàn)，由于室內(nèi)存在一些光滑的表面，例如瓷磚地板等，使得導航圖像中存在反光區(qū)域.由于反光區(qū)域會降低導航算法的性能，因此設(shè)計導航算法時需要進行反光區(qū)域檢測，以避免由于反光現(xiàn)象而對導航算法造成干擾.基于上述考慮，本文首先分析了圖像中反光區(qū)域的顏色特征，然后提出一種反光區(qū)域檢測算法.

1 反光區(qū)域的基本顏色特征

表達彩色圖像的顏色空間有多種，通常彩色圖像是在RGB空間下表示的.由于RGB空間是一種不均勻的顏色空間，顏色空間中兩種顏色之間的數(shù)值差異不能很好地表示人眼觀測到的視覺差異.從人眼視覺特性來看，HSV顏色模型是一種適合人眼觀察的模型，HSV顏色空間用色調(diào)（Hue）、飽和度（Saturation）和亮度（Value）來描述彩色空間，能夠更好地與人的視覺特性相匹配[7].由于本文主要針對光照強度有變化的圖像進行分割，因此采用HSV顏色空間.

為了設(shè)計反光檢測算法，需要對反光區(qū)域的基本顏色特征進行分析.圖1所示為實際場景地面圖像.圖1（a）為在真實場景中拍攝到的一副含反光區(qū)域的地面圖像，圖像的飽和度分量和亮度分量如圖1（b）、圖1（c）所示.

圖1 實際場景地面圖像Fig.1 Grand image in real conditions

經(jīng)觀察發(fā)現(xiàn)，反光區(qū)域圖像的飽和度值比較低而亮度值較高.為了驗證這一猜想，取5組不同環(huán)境、不同光照條件下的反光圖像，每組10幅，手動提取反光區(qū)域，計算各組反光區(qū)域的平均飽和度值和平均亮度值，結(jié)果如表1所示.其中Vmin代表亮度最小值；Vmax代表亮度最大值；Vmean代表亮度均值；Smin代表飽和度最小值；Smax代表飽和度最大值；Smean代表飽和度均值.

表1 反光區(qū)域飽和度和亮度特征Tab.1Saturation and brightness features of illuminant reflection regions

觀察表1可發(fā)現(xiàn)，反光區(qū)域的飽和度值很低而亮度值很高.對反光區(qū)域亮度值的變化趨勢做進一步觀察.圖1（a）的亮度變化曲線如圖2所示.

圖2 亮度變化趨勢圖Fig.2 Trend of brightness changing

由圖2可知，反光區(qū)域“內(nèi)核”的亮度值最大，周圍區(qū)域的亮度隨著與“內(nèi)核”距離增大而遞減.

綜上所述，可以看出反光區(qū)域有2個特點：飽和度值很低而亮度值很高；“內(nèi)核”的亮度最大，周圍區(qū)域的亮度隨著與“內(nèi)核”距離的增大而遞減.

2 反光區(qū)域的檢測和分割

2.1 反光區(qū)域檢測

在分析了反光區(qū)域基本特征的基礎(chǔ)之上，本文基于反光區(qū)域的顏色特征來設(shè)計圖像中反光區(qū)域的檢測算法.首先根據(jù)飽和度值低而亮度值高這一特點檢測反光區(qū)域，若圖像中不存在滿足這一條件的區(qū)域，則說明圖像中不包含反光區(qū)域；若圖像中存在滿足這一條件的區(qū)域，則對該區(qū)域進行進一步判斷.如果此區(qū)域的“內(nèi)核”亮度值最大，而周圍區(qū)域的亮度值隨與“內(nèi)核”的距離增大而遞減，則說明此區(qū)域是反光區(qū)域，否則該區(qū)域為非反光區(qū)域.

綜上所述，檢測反光區(qū)域算法的具體步驟如下：

步驟1輸入圖像，將其顏色空間轉(zhuǎn)換為HSV顏色空間.

步驟2提取圖像中飽和度小亮度大的區(qū)域. HSV顏色空間下，圖像任意一點的像素值可按式（1）表示，其中IH（x，y）、IS（x，y）和IV（x，y）分別為圖像在（x，y）點的色調(diào)值、飽和度值和亮度值.

設(shè)定飽和度閾值為TS，亮度閾值為TV，按照式（2）處理原始圖像.

式中：f（x，y）表示處理之后像素點（x，y）的取值，取值為0時該點用黑色表示，取值為1時該點用白色表示.由此可以初步提取圖像中飽和度小亮度大的區(qū)域.

步驟3對初步提取出的反光區(qū)域做形態(tài)學操作，去除孤立的噪聲點，填補空洞.

步驟4計算反光區(qū)域的“內(nèi)核”，“內(nèi)核”是指反光區(qū)域幾何學上的中心地帶.各種形狀反光區(qū)域的“內(nèi)核”如圖3所示，其中白色區(qū)域為反光區(qū)域，線條代表該區(qū)域的“內(nèi)核”.

圖3 各種形狀的反光區(qū)域的“內(nèi)核”Fig.3 Core of all kinds of illuminant reflection regions

步驟5以“內(nèi)核”為中心，逐漸向周圍拓展，計算每次拓展出來的區(qū)域的平均亮度，直到拓展至整個反光區(qū)域的邊緣.將每次得到的亮度值曲線擬合，最終可以得出反光區(qū)域的亮度變化趨勢.

步驟6提取亮度隨與“內(nèi)核”的距離增大而逐漸降低的區(qū)域，該區(qū)域即為與人眼視覺特性一致的反光區(qū)域.

2.2 反光區(qū)域分割

反光區(qū)域的亮度是從中心向周圍逐漸下降的.對于強烈的反光，其中心亮度可能達到1（HSV空間下亮度分布范圍為0～1），邊緣亮度可能為0.9（HSV空間下飽和度分布范圍為0～1）；而弱一點的反光，其中心亮度可能大約只有0.7，邊界亮度將更?。ㄒ陨蠑?shù)據(jù)是獲取的經(jīng)驗值，僅作參考）.所以，如果僅在檢測出的反光區(qū)域中設(shè)定亮度大于某一閾值的區(qū)域為反光區(qū)域不合理，于是選擇用亮度下降的幅度來分割反光區(qū)域.根據(jù)實際采集的圖像，通過對不同強度的反光進行測試，發(fā)現(xiàn)反光區(qū)域的亮度變化幅度基本都在0.1范圍內(nèi)，所以利用這個亮度變化值來分割反光區(qū)域.因此，可設(shè)計以下操作完成反光區(qū)域的進一步分割：

（1）計算檢測出的反光區(qū)域的中心亮度；（2）根據(jù)亮度變化幅度確定邊界的亮度；（3）將亮度值介于中心亮度與邊界亮度的區(qū)域提取出來.

圖4所示為反光區(qū)域分割與檢測示例.圖4（b）為初步檢測出的反光區(qū)域圖像，圖4（c）為做了進一步分割處理后的反光區(qū)域圖像.

圖4 反光區(qū)域分割與檢測示例Fig.4 Illustration of detection and segmentation for illuminant reflection region

3 實驗驗證

為了對算法進行驗證，選取8組不同類型的室內(nèi)地面圖像，如圖5所示，每組10幅圖像，共80幅.

圖5 待檢測反光圖像Fig.5 Illuminant reflection images prepared for detection

為了檢驗本文算法的性能，將反光區(qū)域提取準確率RS定義為：

式中：Nf為一幅圖像中算法分割與手動分割結(jié)果不一致的像素點數(shù)；NI為圖像中像素點總數(shù).

分別對各組中的每幅圖像進行算法分割和手動分割，并按照式（3）計算分割結(jié)果的準確率，最后將每組圖像分割結(jié)果的準確率取平均值，列于表2.

表2 圖像分割結(jié)果準確率Tab.2Accuracy of image segmentation

由表2可以看出，本文算法能夠很好地檢測圖像中的反光區(qū)域，各組圖像準確率均值最低為87.5%，最高為94.3%，總平均值為91.14%.由于第1組圖像的反光區(qū)域自身聯(lián)通且和周圍亮度差異較大，因此其檢測效果比較理想；對于第7組圖像，由于其自身反光區(qū)域亮度變化大且形狀復雜，所以檢測準確率較低.

4 結(jié)束語

本文算法主要是進行反光區(qū)域的檢測和分割，以排除由于反光區(qū)域顏色變化引起的圖像誤分割.這種方法選取在HSV顏色空間進行，符合人類的視覺特性.針對反光區(qū)域本身的亮度和飽和度特性進行初步檢測，但這兩個分量并不能表達反光區(qū)域的全部信息，僅就這兩個分量進行反光區(qū)域的檢測有可能會產(chǎn)生誤分割，所以本文利用反光區(qū)域的亮度分布特性“區(qū)域核心亮度最大，周圍區(qū)域的亮度隨著距反光核心距離的增大逐漸降低”進行進一步判斷，得到最終的檢測結(jié)果.該方法在不同的環(huán)境和不同的反光形狀下進行測試，均取得較好效果，證明本算法具有較好的檢測能力和魯棒性.

[1]BONIN-FONT Francisco，ORTIZ Alberto，OLIVER Gabriel. Visual navigation for mobile robots：A survey[J].Journal of Intelligent and Robotic Systems，2008，53（3）：236-296.

[2]BENNEWITZ M，BURGARD W，CREMERS A B，et al. MINERVA：Asecond-generationmuseumtour-guide robot[C]// IEEE International Conference on Robotics and Automation. Detroit：[s.n.]，1999：1999-2005

[3]江澤民，楊毅，付夢印，等.基于平行線的室內(nèi)視覺導航[J].機器人，2007，29（2）：128-139.

[4]WU Chih-Jen，TSAI Wen-Hsiang.Location estimation for indoor autonomous vehicle navigation by omni-directional vision using circular landmarks on ceilings[J].Robotics and Autonomous Systems，2009，57（2）：546-555.

[5]汪劍鳴，王曦.室內(nèi)慣性/視覺組合導航地面圖像分割算法[J].中國慣性技術(shù)學報，2011，19（5）：553-558.

[6]王曦，汪劍鳴.基于激光投射的室內(nèi)視覺導航地圖創(chuàng)建方法[J].光電子·激光，2012，23（9）：1804-1807.

[7]包全磊.基于HSV空間的彩色圖像分割[J].軟件導刊，2010，9（7）：171-172.

[8]令曉明，高麗.基于主元分析和色調(diào)的彩色圖像分割[J].蘭州交通大學學報，2009，28（1）：82-84.

Algorithm of illuminant reflection detection and segmentation in indoor image for navigation

XU Han，WANG Jian-ming，WANG Sheng-bei
（School of Electronics and Information Engineering，Tianjin Polytechnic University，Tianjin 300387，China）

In lighting of the problem about illuminant reflection regions being found in a birdview image and it leading to performance degradation of the navigation system，an algorithm of illuminant reflection detection and segmentation is proposed.The illuminant reflection regions in a birdview image are analyzed in HSV color space. It is found that the saturation components of the image regions are small while brightness components are large and brightness values decrease from central positions to marginal positions.And then illuminant reflection is detected and segmented based on these image features.Finally，experiments are run to testify the algorithm，and the experimental results show that the performance of algorithm is reasonable.

vision-based navigation；map building；illuminant reflections detection；HSV color space

TP242.62

A

1671－024X（2013）06－0059－04

2012-10-12

天津市科技支撐計劃重點資助項目（12ZCZDGX04200）；天津市高等學?？萍及l(fā)展基金計劃項目（20110707）

許晗（1989—），男，碩士研究生.

汪劍鳴（1974—），男，博士，教授，碩士生導師.E-mail：wangjianming@tjpu.edu.cn