室内导航图像中反光区域的检测与分割算法

许晗，汪剑鸣，王胜蓓

（天津工业大学电子与信息工程学院，天津300387）

室内导航图像中反光区域的检测与分割算法

许晗，汪剑鸣，王胜蓓

（天津工业大学电子与信息工程学院，天津300387）

针对俯视图像中往往存在反光区域使得导航算法性能下降这一问题，提出一种反光区域检测与分割算法.在HSV颜色空间中对图像反光区域的颜色特征进行分析，发现反光区域具有图像饱和度分量较小、亮度分量较大、从反光区域的中心位置到边缘区域亮度逐渐变低的特点，利用该特征实现了对图像中反光区域的检测和分割，并通过实验对算法性能进行测试.结果表明，该算法可以准确地检测出图像中的反光区域.

视觉导航；地图构建；反光检测；HSV颜色空间

移动机器人导航技术是智能机器人领域的一项重要研究内容.根据导航依据的信息来源，导航技术可以分为视觉导航技术和非视觉导航技术两种.相对非视觉导航技术来说，视觉导航方式具有信息量大、灵活性高、成本低等优点，目前已成为移动机器人导航技术领域的研究热点[1].视觉导航又可分为室外视觉导航和室内视觉导航.在室内环境中，往往利用一些特有的结构化特征来简化导航算法设计.例如，美国CMU大学Thrun等研制的第二代博物馆导游机器人Minerva，基于双目主动视觉通过搜索并识别室内天花板上的吊顶来实现室内导航[2].北京理工大学江泽民等[3]在2007年提出了一种基于平行线的摄像机内外参数标定和自主移动平台室内视觉导航算法，在视觉导航时，视走廊左右踢脚线为一组平行线，由其在视平面上的投影直线的斜率、消失点坐标，控制自主移动平台行驶的方向、距离和航向角，实现平台的室内视觉导航.台湾交通大学吴智仁等[4]提出了一种利用安装在车体上的全景摄像头捕捉放置在屋顶上的圆形地标来对机器人进行导航的方法.随着机器人的移动，椭圆的形状也会产生相应的变化，机器人以此为依据，通过计算得出自己的相对位置，并通过捕捉圆形地标在房顶上的位置来实现导航.天津工业大学汪剑鸣、王曦等[5-6]则将导航相机固定到天花板上，提出了基于室内俯视图像的视觉导航模型.在设计基于俯视图像的室内导航算法时发现，由于室内存在一些光滑的表面，例如瓷砖地板等，使得导航图像中存在反光区域.由于反光区域会降低导航算法的性能，因此设计导航算法时需要进行反光区域检测，以避免由于反光现象而对导航算法造成干扰.基于上述考虑，本文首先分析了图像中反光区域的颜色特征，然后提出一种反光区域检测算法.

1 反光区域的基本颜色特征

表达彩色图像的颜色空间有多种，通常彩色图像是在RGB空间下表示的.由于RGB空间是一种不均匀的颜色空间，颜色空间中两种颜色之间的数值差异不能很好地表示人眼观测到的视觉差异.从人眼视觉特性来看，HSV颜色模型是一种适合人眼观察的模型，HSV颜色空间用色调（Hue）、饱和度（Saturation）和亮度（Value）来描述彩色空间，能够更好地与人的视觉特性相匹配[7].由于本文主要针对光照强度有变化的图像进行分割，因此采用HSV颜色空间.

为了设计反光检测算法，需要对反光区域的基本颜色特征进行分析.图1所示为实际场景地面图像.图1（a）为在真实场景中拍摄到的一副含反光区域的地面图像，图像的饱和度分量和亮度分量如图1（b）、图1（c）所示.

图1 实际场景地面图像Fig.1 Grand image in real conditions

经观察发现，反光区域图像的饱和度值比较低而亮度值较高.为了验证这一猜想，取5组不同环境、不同光照条件下的反光图像，每组10幅，手动提取反光区域，计算各组反光区域的平均饱和度值和平均亮度值，结果如表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代表饱和度最小值；Smax代表饱和度最大值；Smean代表饱和度均值.

表1 反光区域饱和度和亮度特征Tab.1Saturation and brightness features of illuminant reflection regions

观察表1可发现，反光区域的饱和度值很低而亮度值很高.对反光区域亮度值的变化趋势做进一步观察.图1（a）的亮度变化曲线如图2所示.

图2 亮度变化趋势图Fig.2 Trend of brightness changing

由图2可知，反光区域“内核”的亮度值最大，周围区域的亮度随着与“内核”距离增大而递减.

综上所述，可以看出反光区域有2个特点：饱和度值很低而亮度值很高；“内核”的亮度最大，周围区域的亮度随着与“内核”距离的增大而递减.

2 反光区域的检测和分割

2.1 反光区域检测

在分析了反光区域基本特征的基础之上，本文基于反光区域的颜色特征来设计图像中反光区域的检测算法.首先根据饱和度值低而亮度值高这一特点检测反光区域，若图像中不存在满足这一条件的区域，则说明图像中不包含反光区域；若图像中存在满足这一条件的区域，则对该区域进行进一步判断.如果此区域的“内核”亮度值最大，而周围区域的亮度值随与“内核”的距离增大而递减，则说明此区域是反光区域，否则该区域为非反光区域.

综上所述，检测反光区域算法的具体步骤如下：

步骤1输入图像，将其颜色空间转换为HSV颜色空间.

步骤2提取图像中饱和度小亮度大的区域. HSV颜色空间下，图像任意一点的像素值可按式（1）表示，其中IH（x，y）、IS（x，y）和IV（x，y）分别为图像在（x，y）点的色调值、饱和度值和亮度值.

设定饱和度阈值为TS，亮度阈值为TV，按照式（2）处理原始图像.

式中：f（x，y）表示处理之后像素点（x，y）的取值，取值为0时该点用黑色表示，取值为1时该点用白色表示.由此可以初步提取图像中饱和度小亮度大的区域.

步骤3对初步提取出的反光区域做形态学操作，去除孤立的噪声点，填补空洞.

步骤4计算反光区域的“内核”，“内核”是指反光区域几何学上的中心地带.各种形状反光区域的“内核”如图3所示，其中白色区域为反光区域，线条代表该区域的“内核”.

图3 各种形状的反光区域的“内核”Fig.3 Core of all kinds of illuminant reflection regions

步骤5以“内核”为中心，逐渐向周围拓展，计算每次拓展出来的区域的平均亮度，直到拓展至整个反光区域的边缘.将每次得到的亮度值曲线拟合，最终可以得出反光区域的亮度变化趋势.

步骤6提取亮度随与“内核”的距离增大而逐渐降低的区域，该区域即为与人眼视觉特性一致的反光区域.

2.2 反光区域分割

反光区域的亮度是从中心向周围逐渐下降的.对于强烈的反光，其中心亮度可能达到1（HSV空间下亮度分布范围为0～1），边缘亮度可能为0.9（HSV空间下饱和度分布范围为0～1）；而弱一点的反光，其中心亮度可能大约只有0.7，边界亮度将更小（以上数据是获取的经验值，仅作参考）.所以，如果仅在检测出的反光区域中设定亮度大于某一阈值的区域为反光区域不合理，于是选择用亮度下降的幅度来分割反光区域.根据实际采集的图像，通过对不同强度的反光进行测试，发现反光区域的亮度变化幅度基本都在0.1范围内，所以利用这个亮度变化值来分割反光区域.因此，可设计以下操作完成反光区域的进一步分割：

（1）计算检测出的反光区域的中心亮度；（2）根据亮度变化幅度确定边界的亮度；（3）将亮度值介于中心亮度与边界亮度的区域提取出来.

图4所示为反光区域分割与检测示例.图4（b）为初步检测出的反光区域图像，图4（c）为做了进一步分割处理后的反光区域图像.

图4 反光区域分割与检测示例Fig.4 Illustration of detection and segmentation for illuminant reflection region

3 实验验证

为了对算法进行验证，选取8组不同类型的室内地面图像，如图5所示，每组10幅图像，共80幅.

图5 待检测反光图像Fig.5 Illuminant reflection images prepared for detection

为了检验本文算法的性能，将反光区域提取准确率RS定义为：

式中：Nf为一幅图像中算法分割与手动分割结果不一致的像素点数；NI为图像中像素点总数.

分别对各组中的每幅图像进行算法分割和手动分割，并按照式（3）计算分割结果的准确率，最后将每组图像分割结果的准确率取平均值，列于表2.

表2 图像分割结果准确率Tab.2Accuracy of image segmentation

由表2可以看出，本文算法能够很好地检测图像中的反光区域，各组图像准确率均值最低为87.5%，最高为94.3%，总平均值为91.14%.由于第1组图像的反光区域自身联通且和周围亮度差异较大，因此其检测效果比较理想；对于第7组图像，由于其自身反光区域亮度变化大且形状复杂，所以检测准确率较低.

4 结束语

本文算法主要是进行反光区域的检测和分割，以排除由于反光区域颜色变化引起的图像误分割.这种方法选取在HSV颜色空间进行，符合人类的视觉特性.针对反光区域本身的亮度和饱和度特性进行初步检测，但这两个分量并不能表达反光区域的全部信息，仅就这两个分量进行反光区域的检测有可能会产生误分割，所以本文利用反光区域的亮度分布特性“区域核心亮度最大，周围区域的亮度随着距反光核心距离的增大逐渐降低”进行进一步判断，得到最终的检测结果.该方法在不同的环境和不同的反光形状下进行测试，均取得较好效果，证明本算法具有较好的检测能力和鲁棒性.

[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]江泽民，杨毅，付梦印，等.基于平行线的室内视觉导航[J].机器人，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]汪剑鸣，王曦.室内惯性/视觉组合导航地面图像分割算法[J].中国惯性技术学报，2011，19（5）：553-558.

[6]王曦，汪剑鸣.基于激光投射的室内视觉导航地图创建方法[J].光电子·激光，2012，23（9）：1804-1807.

[7]包全磊.基于HSV空间的彩色图像分割[J].软件导刊，2010，9（7）：171-172.

[8]令晓明，高丽.基于主元分析和色调的彩色图像分割[J].兰州交通大学学报，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

天津市科技支撑计划重点资助项目（12ZCZDGX04200）；天津市高等学校科技发展基金计划项目（20110707）

许晗（1989—），男，硕士研究生.

汪剑鸣（1974—），男，博士，教授，硕士生导师.E-mail：wangjianming@tjpu.edu.cn