多特征融合的交通标识视认性评测方法

徐 聪，全恩懋，梁华刚

(1.重庆邮电大学，重庆 400065；2.长安大学，西安 710064)

0 引 言

为确保道路信息的有效传达，人们针对交通标识的视认性问题展开了研究[1-5]。影响交通标识辨别的因素众多[6-7]，主要分为标识与背景自身因素[8-10]、标识与背景的对比因素[11]。标识与背景的自身因素方面，文献[12]证明了背景的复杂度对视认性有很大的影响，对此提出了基于背景复杂度对比的红绿灯的视认性的评测方法；Siegmann等[13]利用标志牌的亮度特征提出视认性的评测方法,提出利用颜色直方图来表示标识牌；Maerz等[14]通过分析不同标识牌对应的标志领域的亮度值，基于RGB各成分来推断视认性的方法。标识与背景的对比方面，K Doman等[15]提出了通过累积标志一系列瞬时视认性，估计其累积视认性，使在动态场景下，背景环境随时间变化也能够准确估计标志牌视认性。

虽然学者们对视认性评测方法进行了研究，但方法仍存在不足。目前方法多出于通过单个特征对视认性进行推断，缺乏对更多影响因素的考虑。若考虑复合因素对视认性推断的影响，需考虑分析特征的选取和其结果对视认性精度的影响。

本文提出多特征融合的交通标识的视认性的评测方法。在静态实验的基础上，选取将6种图像特征对视认性进行评测，特征包括：标志牌的表面亮度特征、颜色特征以及标志牌复杂度特征、标志牌与背景的亮度对比特征、颜色对比特征、复杂度对比特征进行融合，提出多特征融合的视认性评测模型。

1 交通标识视认性评测方法

1.1 基于图像特征的视认性评价模型

在认知神经科学领域，选择性注意是人类感知系统从外部环境获取信息的重要生理机制。人眼在视觉图像辨认的过程中，通过视觉刺激进行一系列快速的眼球跳动来改变注意点位置，视觉刺激不仅来自于对象本身，还受观察者大脑的影响[16]。在视觉注意机制中，这两类因素分别称为自顶向下(top-down)和自底向上(bottom-up)信息处理模型[17]。其中自顶向下模型的视觉注意点的定位和转移取决于先验知识即任务目标，而自底向上模型视觉注意点的定位和转移纯粹取决于视觉刺激本身，且两者存在相互作用[18]，即若模型引入适当的先验知识和充分利用图像信息的话，能够更好地促进计算机视觉的探索。

以交通标识为对象，利用自顶向下处理模型以交通标识为任务目标，自底向上处理模型充分利用标识对象和背景的对比特征，进行视认性评测。将视认性评测值V与交通标识表面特证a、标志与背景的对比特征b公式化，表示为

V=Fa(a)+Fb(b)+Fa×b(a,b)

(1)

(1)式中，等号右边3项分别表示对视认性值V的影响，第1项是标志与背景的对比特征；第2项是标志表面特征；第3项是两者的相互作用(交差项)。

求解以a1，a2，a3，b1，b2，b3等为变量组成的P维多项式(P≥2)以获取视认性值。当P=2时，可表示为

(2)

(3)

(3)式即为求取视认性评测值V的多特征融合模型，Wa，Wb，Wa×b是各项的系数行列式。为求得系数矩阵W，本文通过学习数据，利用线性回归[19]和最小二乘法对W矩阵进行求取。

1.2 CIELab颜色空间

(4)

由于RGB(red, green, blue)和CIELab之间没有直接的转换公式，则必须利用通道XYZ颜色空间作为中间层[20]。XYZ空间到CIELab之间的转换为

L*=116f(Y/Yn),

a*=500[f(X/Xn)-Y/Yn],

b*=100[f(Y/Yn)-f(Z/Zn)]

(5)

(6)

1.3 标志牌表面特征求取

交通标识的表面特征是影响视认性评测的重要组成因素，特别是标志牌的亮度、颜色和复杂度(信息量)特征。作为先验知识，驾驶员在驾驶资格证考试中必须先对已有的常见的交通标示牌进行学习记忆，在后续的驾驶中，每当遇见标志牌时就会在大脑中进行匹配来识别内容。与印象中的标志牌越相似，则视认性越高。基于上述分析，以标准交通标识作为模版进行分析。

选取k种交通标识，设相对应的模版标志为Sk，测试图像中的标志牌亮度特征、颜色特征、图案复杂度特征与模版标志牌S-Sk间的相似程度，并分别表示为a1，a2，a3，如(7)—(9)式。

(7)

(8)

(9)

1.4 标志牌与背景的对比特征求取

常见的对比特征的计算是将目标外的领域全部当作背景来进行处理的，与背景对比的亮度对比特征X1、颜色对比特征X2、复杂度对比特征X3特征如(10)—(12)式。

X1=|Ys-Yb|

(10)

(11)

X3=|Es-Eb|

(12)

(10)—(12)式中：Ys，Yb分别为标志和背景区域的平均灰度亮度值；Rs，Gs，Bs为标志区域的平均RGB值，Rb，Gb，Bb为背景区域的平均RGB值；Es，Eb分别为标志和背景区域的平均边缘强度，标志牌边缘强度同背景边缘强度差异性越大，标志牌越容易辨别。标志牌边缘强度同背景边缘强度差异性越小，标志牌越难以辨别，甚至被认为是背景的一部分。文献[21]在车载相机的实验中证明了背景复杂度对比特征的有效性。

但在实际情况下，道路标志的周围存在具有不同图像特征的区域，可以认为离标志越近且领域越大，对标志的影响也越大。为提高视认性评测值的准确率，采用基于CIELAB彩色空间的K-means聚类图像分割方法分割背景。

K-means算法的基本思想：以空间中k个点为中心进行聚类,对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果[22]。

假设把样本集分为n个类别，令标志区域为s，仅对背景区域做下列操作，算法描述如下。

1)适当选择k个对象作为n个类的初始聚类中心；

2)对于剩下的对象根据聚类中心的相似度，求其到n个中心的距离，将其分类给与其最相似的聚类；

3)更新该类的中心值；

4)重复2)，3)步骤直到标准测度函数收敛。

对包含标志图的图像背景区域进行K-means划分，将背景区域聚类成3类，聚类初始中心点在标志区域外随机选取，除标志区域，其他区域均为聚类对象。通过以上步骤，得到如图1b所示图像，其中，背景部分包含多个不同区域。

(13)

(14)

(15)

图1 K-means聚类分割结果图Fig.1 K-means clustering segmentation result graph

2 视认性评价标准值获取

问卷调查常被用于测量调查者的态度、认知等潜在特征[22-23]，为了证明上述交通标识视认性评价模型的有效性，通过建立视认性的标准值来进行对比分析。本文采用静态实验方法，不考虑行车状态对视认性的影响，视认性的标准值通过问卷调查法求取。本文采用文献[24]中一种模糊形式李克特矢量表。将模糊语言变量设定为总和为100%的百分比形式的条件选项，被测试者可针对设置的每个模糊语言变量选择切实心理状态所占的百分比数。

(16)

选取5名测试者对某个标识牌图像进行识别，语义选项设定为5个区间，分别为无法分辨、不清楚、稍微清楚、清晰、非常清晰。统计测试者的心理状态，统计比例结果如表1所示。

表1 5位测试人员对应于各选项的隶属度选择

将视认性程度在[0,1]上等分为5份，且令Mj为区分度区间的中点值{0.073，0.292，0.511，0.730，0.949}，对100张交通标识的视认性值进行统计。

3 实 验

视认性测评实验中，利用Matlab对视认性评测模型进行推断。选取500幅白天不同光照条件下550×550的标志周边图像，其中圆形标志牌占120×120个像素点。将标志周边图像均分为50组。将图像数据分为用来训练学习和进行测试的2组，选用其中9组图像进行线性回归求取式未知系数，10组作为测试组，40组数据反复操作。最后，利用视认性标准评价值求取各个方法视认性评测值的绝对误差(mean absolute error， MAE)和标准偏差(standard deviation，SD)，判断各方法的视认性评测精度。

3.1 实验结果与分析

为降低实验偶然性，对实验进行100次，每次均随机抽取训练数据和验证数据，统计最后的实验结果如图2所示。图2中，横坐标为实验统计次数，图2a，图2b，图2c，图2d分别为亮度特征和对比度特征、颜色特征和对比度特征、复杂度特征和复杂对比度特征以及本文方法的视认性标准值与标准值的比较图。采用不同的方法对100幅图像进行视认性评测，在不同的评测误差范围下对满足该误差标准的图像数目进行统计，结果如表2所示。

图2 推断值和标准值对比Fig.2 Comparison of the inferred value and the standard value

绝对误差MAE本文方法/幅亮度特征/幅亮度对比特征/幅颜色特征/幅颜色对比特征/幅复杂度特征/幅复杂度对比/幅[0,-0.03)31171414107[0.03,0.06)36111913617[0.06,0.09)12121604612[0.09,0.12)8141114813[0.12,0.15)25141181017[0.15,0.18)2889439[0.18,0.21)2154756106[0.21,0.24)41376854[0.24,0.27)1502755[0.27,0.3)10341557[0.3,1]104027323

由图2可以看出，本文方法相比亮度特征、亮度对比特征、颜色特征、颜色对比特征、信息复杂度特征和信息复杂度对比特征拟合程度更高。视认性标准值在0.3～0.5时本文方法偶然出现较大误差，均在标准值以上, 显然与图2c中信息复杂度特征相似，说明在此范围内信息复杂度特征作用较大。标准值在0.4～0.6时本文方法得到的视认性值比标准值低，且变化较为平缓，同图2b中颜色对比特征相似。而当视认性值在0.7～0.85时视认性值比标准值高，图2a中亮度特征占据主导地位。

由表2可以看出，本文方法与视认性标准值误差在0.06以下占据较大，为67%。可见，87%的数据误差均在0.12以下，误差在0.27以上较少，结合图2d知误差较大的部分视认性标准值在0.3～0.5。单独特征中，颜色对比特征和复杂度对比特征表现最差，较大部分的误差在0.3以上。显然误差较大时，标志牌的视认性低，很难做出准确结果。亮度特征的所有误差均在0.27以内，表现较好。亮度对比特征误差分布也较为均匀，误差在0.15以下的达到74%。颜色特征较为特殊，由颜色特征得到的视认性值大多数误差分布在0.18～0.21，达到75%。以0.15的误差为标准，本文方法89%的样本均达到要求，而其他方法中表现最好的颜色特征也仅达到74%。

3.2 对比试验

上述试验验证了本文提出的视认性模型的有效性，为了进一步验证多特征融合视认性评测模型的准确性，将模型公式(3)分为3部分进行验证。分别利用标志牌表面特征(方法1)、标志与背景的对比特征(方法2)、不含交叉项的特征共同作用(方法3)以及含标志牌表面特征和标志与背景的对比特征的交叉项(本文方法)方法进行实验。通过计算得到4种模型,对视认性标准值求取平均绝对误差和标准偏差进行比较，结果如表3所示。

由表3可知，对于方法1—方法3中3种成分获取的视认性值无论在绝对误差还是在标准偏差上均比本文方法差，且4种模型误差关系为方法1>方法2>方法3>方法4，显然本文方法综合了其他方法的优点，比其他方法能更精确地推断视认性值。

为增加本文实验的说服性，同文献[13,21,25-26]的标志牌视认性评价方式进行了对比，实验结果如表4所示。

表3 视认性评测精度比较

表4 对比实验

由表4可以明显看出，本文方法的MAE和SD均为最小值，且融合了主要影响视认性的图像特征的本文方法明显优于其余的对比方法。实验证明了多特征融合的视认性评测模型的有效性，并且模型具有精度高的特点。同表3进行对比，可以看出本文将特征进行融合的方式极大提高了视认性值的精度，表4中将亮度特征、颜色特征和复杂度特征3种特征进行融合的结果也优于文献中的方法，说明了特征融合方式的有效性。

4 结束语

本文综合考虑交通标识与背景的亮度特征、亮度对比特征、颜色特征、颜色对比特征、复杂度特征和复杂度对比特征共6种特征，及特征相互之间的影响，建立特征融合的交通标识视认性评测模型，并利用最小二乘法求取模型参数，优化了视认性模型，实验验证部分证明了本文方法的有效性，该方法可以对标志牌视认性值进行高精度推断。

在实验中发现，本文方法对视认性值在0.3～0.5时仍有部分样本的推断视认性值存在较大误差，且有部分样本的误差在0.3以上，对此部分的优化是本文方法下一步研究的重点。