一种彩色图像分割的障碍物识别方法

侯之旭，张建勋

(重庆理工大学 计算机科学与工程学院，重庆　400054)



一种彩色图像分割的障碍物识别方法

侯之旭，张建勋

(重庆理工大学 计算机科学与工程学院，重庆400054)

摘要：移动机器人障碍物检测是机器人避障和移动路径规划的基础，为了提高视觉机器人障碍物检测能力，尤其是障碍物识别能力，针对传统的灰度图像分割作为障碍物目标识别方法在某些环境下效果不佳的问题，提出一种基于彩色图像分割的障碍物检测方法。首先充分利用HSI颜色模型中各个颜色分量的特征，再结合Otsu自适应阈值方法进行对应空间的图像阈值分割。考虑到机器人工作环境下外界光照条件变化较大的特点，提出了对亮度空间I进行非线性指数变换处理的做法，以解决图像分割和障碍物识别易受光照变化影响的问题。实验结果证明了该方法的可行性和有效性，可为障碍物检测提供清晰准确的障碍物识别结果。

关键词：灰度图像分割；HSI颜色空间；Otsu算法；指数变换；开运算

当前，障碍物检测技术已成为智能车辆自主导航领域研究的重点，在国内外障碍物检测相关研究中出现了许多算法。从单一化的传感器应用到多传感器融合，以及基于机器视觉的方法[1]。与其他方法相比，基于视觉的方法具有成本低、信息丰富、探测范围广等诸多优势，成为当前热门的研究方向。基于机器视觉的方法的一般步骤为：图像数据采集—图像分割—目标识别—场景理解—执行顶层行为控制策略[2]。基于视觉的障碍物检测分为基于立体视觉的方法和基于单目视觉的方法。文献[3]在列举分析了机器视觉的各种障碍物检测方法的基础上认为当前基于单目视觉的障碍物检测方法较为合适。本文所涉及的基于彩色图像分割的障碍物检测方法也属于单目视觉的障碍物检测方法。

通常，在基于视觉障碍物检测方法的第2步和第3步，即图像分割和目标识别阶段，大多数研究的做法都是把摄像机采集的彩色图像转换为灰度图像，再利用图像分割技术进行图像的二值化、障碍物目标的提取[4]。由于人眼对亮度具有适应性，在任一幅图像上只能识别几十种灰度级，但可以识别多种颜色，所以当仅靠灰度信息不容易从背景中提取目标时可以借助色彩信息[5]。本文采用一种基于HSI颜色空间的图像分割方法[6]，通过充分利用彩色图像颜色空间各颜色分量的特点，使用不同的分割方法，再将分割后的各个颜色分量的二值图像合成最终的分割结果，以获得较好的效果。

机器人在工作环境下由于光照条件复杂会影响图像的分割结果和障碍物目标的准确识别，文献[7-8]指出：基于视觉的障碍物目标检测方法存在着易受地面纹理和环境光照变化影响的问题。结合本文所采用的方法，由于彩色图像在HSI颜色空间中，亮度分量I(intensity)受光照条件影响最明显，所以本文在针对颜色分量进行阈值分割时，引入了图像增强领域中的非线性灰度增强思路，采用指数变换自适应调整亮度空间对比度的做法[9]。

1彩色图像分割

1.1HSI颜色空间

非线性变换空间HSI由色度(hue)、饱和度(saturation)、亮度(intensity)组成[10]，是一种接近人眼的色彩感知空间。其中：I表示亮度，主要受光源强弱影响；H表示色度，即人的感官对不同颜色的感受；S表示颜色的纯度。在饱和度S=0，I值从0变大时图像将从黑到白呈灰度变化；I和H一定，饱和度S由小变大时，图像由灰度图像逐渐变为彩色图像。因此，当饱和度低时，不管色调H的值如何，图像都表现为灰度图像，而当S接近1时，才会真正体现出H所代表的颜色。

由于HSI颜色空间能将亮度与颜色分开处理，避免受外界光照变化的影响，所以HSI颜色空间比RGB更适合图像分割和目标识别[11]。

1.2HSI空间图像分割

将普通图像分割方法应用于不同颜色空间的每个颜色分量上，分割结果通过一定的方式组合，即可获得图像分割结果[12]。

文献[13]针对HSI颜色空间的特点，提出对3个分量进行分割的方法。具体思路是：① 利用S区分高饱和度区域和低饱和度区域；② 利用H分量对高饱和度区进行分割；③ 利用I分量对低饱和度区进行分割。假设HSI的3个颜色分量的分割阈值分别为Hm、Sm、Im。具体流程如图1所示。

图1　HSI空间图像序列分割算法流程

1.3阈值选取方法

本文采用最大类间方差法作为分割阈值选取方法。该方法的优点是计算简单、稳定、实用性强，能提高图像分割效果。利用图像灰度统计直方图，通过某个指定的灰度级将图像分成目标和背景2个部分，并分别计算两部分的类内方差以及两部分之间的方差比值，其分割原理如下：

把一幅数字图像f(x,y)中的像素按灰度级用阈值T分为C0和C1类，定义类间方差为σ2(T)：

(1)

其中：P0和P1分别是两类灰度值像素点的总概率；u0和u1分别为均值。所求阈值为σ2(T)取得最大值时的灰度级，即

(2)

相比传统的固定全局阈值分割，Otsu的自适应阈值选取方法能较好地适应图像背景和目标灰度值区别不大的情况。且Otsu法也是基于灰度值统计直方图的方法，只需执行一遍从图像的最小灰度值到最大灰度值的像素点分类临界值的循环计算即可。由于采用每个灰度级作为临界值对像素点进行分类得到类间方差，取类间方差最大时的临界灰度值为分割阈值，因而并没有引入过大的计算量。分割结果对比如图2所示。

图2　固定阈值分割与Otsu的对比

2调整图像亮度

机器人在行进中必须适应不同的光照变化，尤其是较暗的条件[14]。由于分量I主要反映亮度信息，所以在本文方法中，在对I分量进行分割前，先根据I均值进行亮度调整。

帅大叔发动了汽车向前冲去，把凶悍男的车撞向河里。凶悍男爬出汽车，放狠话说“我记下了你的车牌号，你跑不掉”，帅大叔于是热血上涌，开车返回不轧死对方誓不罢休。

2.1非线性灰度变换

文献[15]的非线性灰度变换主要有2种扩展方法，对数方法和指数方法。

2.2亮度调整

指数变换常用于图像的对比度增强，常用的指数变换公式为

(3)

其中c和γ为正常数。当c=1时，通过对γ的各种值进行分析可知：当γ<1时，能使r在值较小时的某个范围变动时起放大作用，因此对于较暗的图像，适合使用γ<1的指数变换，从而使较暗的区域得到拉伸，增强细节和整体亮度。在本文方法中，H、S、I分量已经归一化，I分量的均值代表了图像的整体亮度，根据亮度分量I的均值选取γ值：均值越小，图像越暗，适合选取较小的γ值使图像较暗的区域得到拉伸。基于I均值的图像亮度的增强公式为

(4)

其中，μ(I)为图像亮度的均值。

应用指数变换对亮度空间进行亮度调整，用来减轻环境光照条件变化对目标提取的影响。鉴于本文介绍的基于HSI颜色空间的彩色图像分割思路，需要在程序流程中加入对I空间进行亮度调整的步骤，即在图1的 HSI空间图像序列分割算法流程表示的第1步和第2步之间加入2步操作，分别是计算亮度空间I的均值和利用均值对I空间进行指数变换以调整亮度，变换后的流程如图3所示。

图3　优化后的HSI图像分割流程

图4为采用图3流程和图1流程进行图像分割得到的结果。图4(a)为RGB原图；(b)为没有对亮度空间I进行亮度调整时采用图2流程进行HSI空间图像分割的结果；(c)为在步骤中加入对空间I进行亮度调整的HSI空间图像分割结果。通过对比图4(b)与(c)两幅图像能够明显看出采用指数变换对亮度空间I进行亮度调整对于图像分割和目标识别的作用。

图4　亮度调整的图像分割结果

3实验结果及分析

根据本文所提方法进行仿真实验，获得了较优的效果。实验移动机器人平台为搭载1个摄像头的无线wifi智能小车，是一款基于单目视觉系统的智能机器人系统，通过wifi信号与计算机控制系统相连接。计算机平台为2.4 GHz CPU，2 G内存，软件平台基于开源图像处理库OpenCV。机器人运动控制程序运行平台为Visual Studio2010。

本文采用基于HSI色彩空间的序列分割方法进行图像分割。根据图1的分割流程，先对H，S，I空间分别利用Otsu法进行阈值选取，阈值见表1。

表1　HSI各颜色空间分割阈值

序列分割是指对图像逐个像素点进行二值处理。先对每个像素点在饱和度S空间的值与饱和度阈值Sm进行比较，当饱和度值大于Sm时，优先使用色调空间进行分割；当小于Sm时，使用亮度空间进行分割。

鉴于智能小车采集行进前方的障碍物时所处区域光照条件不佳，因而需要对图像亮度空间I的颜色值进行指数变换，以改善由于障碍物所在区域局部光照不足对分割结果产生的影响。本实验采用均值对亮度空间I进行指数变换，均值为 0.231 5。

首先通过实验对比传统的基于灰度图像分割与彩色图像HSI空间分割的结果。图5为对比实验情况，即障碍物目标分割结果。图5中的第1幅图像为机器人运动过程中某个时刻拍摄的1张照片，将RGB原图转换为HSI颜色空间，首先对亮度空间进行指数变换，然后利用基于HSI的颜色模型的序列分割方法得到分割结果，如图5(d)所示。图5(b)和(c)幅图像分别是RGB原图的灰度图像和利用Otsu法对灰度图像进行阈值分割的结果。通过对比图5(c)和(d)的图像可以观察到：本文采用的基于HSI色彩空间序列分割的方法较传统的基于灰度图像分割的方法的性能有了明显改善。

图5　对比实验图像分割结果

实验中，小车运行前方的障碍物是人工设置的障碍物，一个是倒扣的蓝色容器，一个是黑色的包装盒。通过对比图5(c)和(d)的图像，尤其是对照倒扣的蓝色容器，发现两种分割结果对该障碍物目标的识别存在较明显的差异。基于HSI颜色空间的图像分割技术获得了较好的障碍物目标识别效果，说明了本文方法的有效性。

实验结果表明：基于彩色图像的阈值分割方法可以有效识别障碍物目标。尤其是通过利用HSI颜色空间，首先针对每个颜色空间的图像进行阈值分割，然后将结果合成为RGB模式，取得图像分割效果。另外，由于机器人运行环境存在环境光照条件不确定的情况，借助亮度空间I的均值，对I空间进行指数变换，从而使该方法对外界光照的变化有了较好的适应，图像分割结果显示能得到清晰准确的障碍物目标。

4结束语

视觉机器人运动过程中的障碍物检测是从未知环境中寻找运动路径或避碰的重要一环。本文使用一种基于彩色图像分割的障碍物目标识别方法，采用对光照条件变化敏感程度低的HSI颜色图像空间进行图像分割，利用各个颜色空间有区别地进行阈值分割，然后将得到的各个颜色空间上的分割结果合成在RGB颜色空间中的分割结果。由于亮度空间I是对环境光照最敏感的颜色分量，故本文利用I空间的均值对I空间进行指数变换，从而能对光线较暗时的图像进行拉伸，使得图像细节不会因光线暗而被埋没，最终影响障碍物目标的识别。针对移动机器人行进前方障碍物的目标检测实验表明，本文方法准确性好，有一定的鲁棒性，且编程易实现。本文障碍物识别方法也是后续障碍物目标定位，甚至移动机器人控制运动策略完成避障或导航的基础。

参考文献：

[1]王天涛，赵永国，常发亮.基于视觉传感器的障碍物检测[J].计算机工程与应用，2015，4(4) ：180-183.

[2]NELSON R C,ALOIMONOS J.Obstacle avoidance using flow field divergence[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1989,11(10):1102-1106.

[3]杜欣，周围，朱云芳，等.基于单目视觉的障碍物检测[J].浙江大学学报(工学版),2008,42(6):913-917.

[4]林开颜，吴军辉，徐立鸿.彩色图像分割方法综述 [J].计算机图像图形学报,2005，10(1):1-10.

[5]DESOUZA GN,KAK AC.Vision from mobie robot navigation:a Survey[J].IEEE Transacion on Pattern Analysis and Macheine Intelligence,2002,24(2):237.

[6]ULRISH I,NOURBAKHSH I.Appearance-based obstacle detection with monocular color vision[C]//Proceedings of the AAAI Nationnal Conference on Artificial Intelligence.Austin Texas,USA:[s.n.],2000:866-871.

[7]BATAVIA P H,SINGH S.Obstacle detection using adaptive color segmentation and color stereo homography[C]//Proceedings of the IEEE Internationnal Conference on Robotics and Automation.Seoul,Korea:[s.n.],2001:705-710.

[8]沈春生，王耀南.移动机器人目标分割及测距的方法研究[J].计算机工程与应用,2011,47(23):181-185.

[9]谭磊，王耀南，沈春生，等.基于单目视觉的室内移动机器人障碍物检测研究[J].计算机测量与控制，2010，18(12):2727-2732.

[10]张璐璐，何宁，徐成，等.HSI空间中基于自适应阈值的彩色地图的道路提取[J].北京联合大学学报：自然科学版， 2014，28(3):14-19.

[11]廖建军.基于计算机视觉的石材轮廓提取及缺陷检测[D].沈阳：沈阳建筑大学， 2013.

[12]何少佳，刘子扬，史剑清.基于单目视觉的室内机器人障碍物检测方案[J].计算机应用，2012，32(9):2556-2559.

[13]ZHANG Y J,YAO Y R,HE Y.Color image segmentation based on HSI Model[J].High Technology Letters,1998,4(1):28-31.

[14]余权，马胜前，马冬梅.保持图像亮度的自适应局部对比度增强[J].计算机工程与应用，2015，7(7):160-164.

[15]冯清枝，王明灿，周纯冰.非线性灰度变换在图像增强中的运用[J].中国刑警学院学报,2008，6(2):59-61.

(责任编辑杨黎丽)

A Method of Color Image Segmentation Used in Obstacle Recognition

HOU Zhi-xu, ZHANG Jian-xun

(College of Computer Science and Engineering, Chongqing University of Technology,Chongqing 400054, China)

Abstract:Mobile robot obstacle detection is the basis of robot obstacle avoidance and mobile path planning. In order to improve the detection ability of the obstacle detection in the visual robot, especially the obstacle recognition ability, aiming at the problem of the traditional gray image segmentation as an obstacle to the target recognition method in some environment, a method for the detection of obstacle detection based on color image segmentation was proposed. Firstly, the characteristics of each color component in the HSI color model were fully utilized, and the image threshold segmentation based on the Otsu adaptive threshold method was applied. In addition, considering the change of the environment of the robot working environment, the changes of the illumination conditions are relatively large, we proposed a method to deal with the nonlinear exponential transformation of the luminance space I in order to improve the image segmentation and obstacle recognition, and the problem is easily affected by illumination changes. Experimental results demonstrate the feasibility and effectiveness of the proposed method and it can provide clear and accurate obstacle recognition result for obstacle detection.

Key words:gray image segmentation; HSI color space; Otsu method; exponential transformation; open operation

中图分类号：TP391.41

文献标识码：A 1674-8425(2016)03-0094-05

doi:10.3969/j.issn.1674-8425(z).2016.03.016

作者简介：侯之旭(1988—)，男，硕士研究生，主要从事计算机图形图像学研究；张建勋(1971—)，男，博士，教授，主要从事图像处理与分析、实时计算机图形学等方面研究。

基金项目：企业信息化与物联网测控技术四川省高校重点实验室项目(2015WZJ02)

收稿日期：2015-09-10

引用格式：侯之旭，张建勋.一种彩色图像分割的障碍物识别方法[J].重庆理工大学学报(自然科学)，2016(3):94-98.

Citation format：HOU Zhi-xu, ZHANG Jian-xun.A Method of Color Image Segmentation Used in Obstacle Recognition[J].Journal of Chongqing University of Technology(Natural Science)，2016(3):94-98.