楊大偉，張 靜，黃俊達

(大連民族大學(xué) 機電工程學(xué)院，遼寧 大連 116605)

在移動機器人視覺應(yīng)用中，復(fù)雜的室內(nèi)外環(huán)境常常影響行人目標(biāo)檢測與跟蹤算法的精度與效果。室內(nèi)的家具與裝飾、室外的建筑與景觀都有可能造成遮擋，利用超像素與顯著性結(jié)合的方法在復(fù)雜環(huán)境中找尋行人目標(biāo)分割[1]，為后續(xù)目標(biāo)的檢測與跟蹤、自主駕駛與軌跡規(guī)劃等機器人應(yīng)用提供支撐[2]。

近些年來，學(xué)術(shù)界提出多種相關(guān)研究算法來分割提取復(fù)雜背景中的顯著目標(biāo)。文獻[3]結(jié)合自動分割的行人形狀進行檢測，在檢測過程中通過實現(xiàn)自動分割，對行人目標(biāo)剪影和骨架進行分層匹配來實現(xiàn)檢測，該算法可以有效減少運算時間，提高檢測效率，但剪影和骨架特征相對隱蔽，檢測精度會有所降低。文獻[4]提出了一種基于內(nèi)核分割的方法，此種分割方法基于AdaBoost訓(xùn)練檢測器對所有行人進行檢測，將分水嶺算法與核密度分析相結(jié)合，選擇最優(yōu)分割區(qū)域，但由于該算法采用多級流水，復(fù)雜度高，實時性相對較差。文獻[5]提出一種通過二維和三維兩種空間維度對頭部特征進行提取的算法，該算法行人頭部特征與非行人區(qū)別明顯，能夠達到檢測精準(zhǔn)的目的，但計算量過大，很難達到實時跟蹤的效果。文獻[6]提出一種基于形狀的行人分割模型，該方法對行人檢測器結(jié)果進行邊界能量最大化處理，實現(xiàn)對圖像中行人目標(biāo)的分割。文獻[7]提出一種蛇形分割的目標(biāo)提取方法，在AdaBoost算法的基礎(chǔ)上添加梯形特征，使得檢測更加準(zhǔn)確，但梯形特征計算步驟復(fù)雜，運算復(fù)雜度較高。文獻[8]采用SLIC超像素結(jié)合局部二值模式算法對圖像前景和背景進行有效區(qū)分，辨識能力較強，具有良好的主客觀分類精度。文獻[9]結(jié)合超像素與邊界-中心先驗信息方法，提出利用空間、顏色來區(qū)分前景和背景的顯著目標(biāo)檢測算法，但在缺少先驗信息的情況下，算法效率會變差。文獻[10]則基于全局K-means算法實現(xiàn)了一種超像素分割方法，在VOC2007數(shù)據(jù)集測試中獲得良好的性能。

本文以移動機器人應(yīng)用平臺為對象，針對室內(nèi)外行人目標(biāo)清晰輪廓提取問題，提出一種基于超像素的級聯(lián)式行人目標(biāo)分割算法(CAscaded Superpixel pedestrian object Segmentation algorithm，CASS)。該算法連續(xù)兩次利用超像素計算顏色與空間距離特征，實現(xiàn)對行人目標(biāo)輪廓的準(zhǔn)確提取。在仿真分析中可以看到，本文所提CASS算法在復(fù)雜的室內(nèi)外背景環(huán)境下，可以獲得較為優(yōu)異的分割提取性能，可用于移動機器人視覺檢測與跟蹤算法等領(lǐng)域。

1 級聯(lián)超像素行人分割算法

復(fù)雜的室內(nèi)外背景條件下，行人目標(biāo)難以被準(zhǔn)確提取，原因多為行人與背景顏色相似或背景過于雜亂，無法對行人輪廓進行準(zhǔn)確劃分。級聯(lián)超像素行人分割算法有效地利用超像素本身對邊緣輪廓的吸附性特點，以超像素為最小計算單元，結(jié)合顯著光流快速檢測算法(Saliency Optical-Flow detection Algorithm，SOFA)對行人顯著區(qū)域進行劃分[11]，對比行人區(qū)域內(nèi)外超像素區(qū)塊的顏色均值與中心空間位置距離相似程度，從而準(zhǔn)確分割出行人輪廓，算法邏輯框圖如圖1。該算法中的級聯(lián)邏輯，從形式上相當(dāng)于兩次應(yīng)用超像素的顏色與空間關(guān)系，兩次的不同在于：第一次以像素為單位，從點特征獲取超像素區(qū)塊(模塊A○)；第二次以超像素區(qū)塊為單位，以顯著性行人區(qū)域為分界，從超像素區(qū)塊獲取目標(biāo)輪廓(模塊B○)。

圖1 級聯(lián)超像素行人分割算法邏輯框圖

1.1 第一級超像素

超像素具有極強的目標(biāo)輪廓吸附性，經(jīng)過處理后的目標(biāo)和背景景物均能獲得良好的劃分效果，如圖2。在圖片中花瓣的邊緣輪廓被超像素清晰地分隔開，為第二級超像素提供必要的前提條件。

圖2 超像素邊緣輪廓吸附特性示意圖

超像素算法是基于顏色和距離的相似程度對超像素進行分割，將圖像分割成為一定數(shù)量的子區(qū)域，可產(chǎn)生大小均勻、形狀規(guī)則的超像素區(qū)塊。超像素區(qū)塊與像素點之間存在著一定的區(qū)別，像素點僅僅能夠單一地表達固定點的色彩，而超像素區(qū)塊區(qū)域能夠?qū)ο袼攸c的特征進行提取，是具有相似特征的一組像素點集合。超像素分割處理步驟如下：

(2)像素聚類。以當(dāng)前像素點為中心，在給定半徑s的情況下，計算圓內(nèi)每個像素點與聚類中心的距離。與聚類中心距離最近的像素點設(shè)為新的聚類中心。分別計算聚類中心與像素點的顏色距離和空間位置距離，通過加權(quán)計算來確定兩點之間的最終像素距離。

(1)

(2)

(3)

式中:D1lab為像素點的顏色空間距離;D1xy為像素點的位置空間距離;D1k為像素距離;s為聚類中心。m為顏色空間距離與位置空間距離的加權(quán)，當(dāng)m值較大時，說明位置空間距離對于像素距離的影響較大，當(dāng)m值較小時，說明顏色空間距離對于像素距離更重要。

(3)聚類迭代。像素聚類后，將每個像素分配到對應(yīng)聚類中心。根據(jù)類別內(nèi)平均像素位置，更新聚類中心位置。每個像素都有一個所屬的聚類中心，根據(jù)所屬關(guān)系，將每個像素點調(diào)整到聚類中心所在區(qū)域的平均位置，返回像素聚類進行迭代，直到所有的聚類中心不再變化，便可獲得圖像的超像素區(qū)塊分類結(jié)果。

1.2 第二級超像素

第一級超像素計算結(jié)束后，全部聚類結(jié)果即為超像素。如何依據(jù)現(xiàn)有超像素特性來區(qū)分目標(biāo)主體與非目標(biāo)背景，實現(xiàn)目標(biāo)的準(zhǔn)確分割是第二級超像素計算的主要任務(wù)。在第二級超像素行人目標(biāo)分割之前，需通過SOFA算法提取行人顯著區(qū)域，減少行人輪廓分割干擾信息。同時，提取超像素區(qū)塊相關(guān)特征，以行人區(qū)域內(nèi)外超像素區(qū)塊的平均顏色空間距離與超像素區(qū)塊中心點的位置空間距離為特征度量依據(jù)，計算內(nèi)外超像素區(qū)塊的區(qū)域相關(guān)程度，確定行人目標(biāo)輪廓。

第二次超像素區(qū)塊中行人輪廓區(qū)域示意圖如圖3。設(shè)全部超像素區(qū)塊為I，定義行人長方形顯著區(qū)域R，行人目標(biāo)真實輪廓區(qū)域為R*，且R*?R，非行人區(qū)域為R′，且R′=I-R。

圖3 第二次超像素區(qū)塊中行人輪廓區(qū)域示意圖

第二級超像素的算法步驟如下：

(2)通過SOFA算法提取行人顯著區(qū)域，獲取區(qū)域R所在位置。

(3)獲取超像素區(qū)塊的平均顏色與中心點位置。計算行人區(qū)域R與非行人區(qū)域R′的顏色空間距離特征和位置空間距離特征，即以行人顯著區(qū)域R內(nèi)的超像素區(qū)塊計算。

(4)

(5)

(6)

式中:D2lab為超像素區(qū)塊平均顏色空間距離;D2xy為超像素區(qū)塊的位置空間距離;D2K為超像素區(qū)塊距離;δ為距離權(quán)值系數(shù)，且δ∈[0,1]。

(4)計算像素塊之間的相關(guān)度，獲取最終行人區(qū)域R*。

(7)

式中：ε為相關(guān)度閾值系數(shù)；ε∈[0,1]，OTSU為最大類間差閾值計算函數(shù)。

2 實驗結(jié)果

2.1 不同分割算法比較

為了驗證本文提出CASS算法的有效性，以MSRA顯著目標(biāo)數(shù)據(jù)集中的圖片為仿真測試源，對比目前應(yīng)用廣泛的四種常見顯著目標(biāo)分割算法EQCUT[12]、HDCT[13]、MBS[14]和PCA[15]，準(zhǔn)確率召回率直方圖如圖4。五種算法的二值化分割結(jié)果如圖5。全部5種算法中，僅本文CASS算法與EQCUT算法的F值為0.98，指標(biāo)上高于其他三種算法。

圖4 準(zhǔn)確率召回率直方圖

(a)原圖；(b)EQCUT；(c)HDCT；(d)MBS；(e)PCA；(f)CASS；(g)ground truth

圖5二值化分割結(jié)果

與MSRA數(shù)據(jù)集提供的標(biāo)準(zhǔn)分割(ground truth)結(jié)果相比較，本文所提CASS算法性能與EQCUT算法性能相當(dāng)，明顯優(yōu)于其他三種方法。在分割細(xì)節(jié)上，CASS算法更能夠有效地接近標(biāo)準(zhǔn)真實值。如圖5中第4組圖片的鴨梨蒂、第5組圖片的警察左前臂，均能夠被準(zhǔn)確地分割。

2.2 行人目標(biāo)分割測試

為了驗證CASS算法對行人目標(biāo)的分割性能，

對比室內(nèi)外不同環(huán)境場景視頻圖像幀的行人目標(biāo)分割結(jié)果如圖6。CASS算法在實際場景中的應(yīng)用效果十分突出，CASS算法錯誤分割較少，分割結(jié)果中無冗余混淆背景等雜亂內(nèi)容，能夠?qū)?fù)雜背景中的行人目標(biāo)準(zhǔn)確地與背景分離開來，輪廓清晰明顯，可以有效地應(yīng)用于室內(nèi)和室外復(fù)雜背景環(huán)境。

3 結(jié) 語

在移動機器人視覺應(yīng)用中，復(fù)雜背景環(huán)境干擾的情況下能夠準(zhǔn)確地分割行人目標(biāo)輪廓，不僅可以獲得該目標(biāo)的紋理參數(shù)，更可為檢測跟蹤與行人目標(biāo)定位定向提供必要的預(yù)處理信息。本文以超像素對邊緣輪廓的吸附性特點為基礎(chǔ)，利用超像素計算過程中像素顏色與空間距離的相關(guān)特性，提出一種級聯(lián)式超像素行人目標(biāo)輪廓分割算法。該算法經(jīng)兩次超像素劃分，先由像素點的顏色與空間距離特性獲取超像素區(qū)塊，再由超像素區(qū)塊的顏色與空間距離特性獲取行人目標(biāo)輪廓。算法簡單有效，計算復(fù)雜度低，能夠有效地應(yīng)用在移動機器人目標(biāo)檢測與跟蹤算法中。不僅可以用來完成跟蹤中對色彩直方圖等的統(tǒng)計計算，而且可以解決機器視覺目標(biāo)測向與距離估計需求，為移動機器人視覺應(yīng)用提供必要基礎(chǔ)。

圖6 行人目標(biāo)分割結(jié)果

[1] DAI Q. An infrared pedestrians image segmentation algorithm[C]// International Conference on Intelligent Networks and Intelligent Systems. Shenyang:IEEE, 2013:111-114.

[2] GULSHAN V, LEMPITSKY V, ZISSERMAN A. Humanising GrabCut: Learning to segment humans using the Kinect[C]// IEEE International Conference on Computer Vision Workshops. Barcelona:DBLP, 2011:1127-1133.

[3] LI Y, ZHOU Z, WU W. Combining shape and appearance for automatic pedestrian segmentation[C]// IEEE International Conference on TOOLS with Artificial Intelligence. Boca Raton: IEEE, 2011:369-376.

[4] HSIEH J, CHEN S Y, CHUANG C H, et al. Pedestrian segmentation using deformable triangulation and kernel density estimation[C]// International Conference on Machine Learning and Cybernetics. Baoding:IEEE, 2009:3270-3274.

[5] XIA L, CHEN C C, AGGARWAL J K. Human detection using depth information by Kinect[C] // CVPR 2011 WORKSHOPS. Colorado Springs: 2011: IEEE, 15-22.

[6] JUNIOR J C , MUSSE S R. Shape-based pedestrian segmentation in still images[C]// IEEE International Symposium on Multimedia. Miami: IEEE, 2015:1-6.

[7] 陳超, 宣士斌, 徐俊格. 復(fù)雜背景下的行人檢測與分割[J]. 計算機工程與應(yīng)用, 2012(30): 177-181.

[8] 薛萍. 基于超像素特征表示的圖像前景背景分割算法[J]. 西安科技大學(xué)學(xué)報, 2017, 37(5): 731-735.

[9] 李繼德,李曉強,沙彩霞. 基于超像素分類的顯著目標(biāo)檢測[J]. 計算機應(yīng)用與軟件, 2017, 34(1): 180-186.

[10] 吉長東,李相澤,敖國政. 基于全局K-means算法的超像素分割方法[J]. 沈陽大學(xué)學(xué)報(自然科學(xué)版), 2017, 29(3): 212-216.

[11] 楊大偉, 姬夢婷, 張汝波,等. 移動機器人行人目標(biāo)活動區(qū)域快速檢測算法[J]. 大連民族大學(xué)學(xué)報, 2016, 18(3): 221-223.

[12] AYTEKIN C, KIRANYAZ S, GABBOUJ M. Automatic object segmentation by Quantum cuts[C]// International Conference on Pattern Recognition. Stockholm: IEEE, 2014:112-117.

[13] KIM J, HAN D, TAI Y W, et al. Salient region detection via High-dimensional color transform[C]// Computer Vision and Pattern Recognition. IEEE, 2014:883-890.

[14] ZHANG J, SCLAROFF S, LIN Z, et al. Minimum barrier salient object detection at 80 FPS[C]// IEEE International Conference on Computer Vision. Santiago :IEEE, 2015:1404-1412.

[15] RAN M, TAL A, ZELNIKMANOR L. What makes a patch distinct[C]// IEEE Conference on Computer Vision and Pattern Recognition. Portland: IEEE Computer Society, 2013:1139-1146.