一种基于颜色特征的目标识别算法

一种基于颜色特征的目标识别算法 软件时空 文章编号:1008-0570(2007)O5—-3—0195--02 一 种基于颜色特征的目标识别算法 Atargetidentificationalgorithmbasedoncolorcharacteristic (1.山东工商学院2.天津农学嘲杨莉杜艳红隋金雪郭玉刚 LIYANGDUYANHONGSUIJINXUEGUOYUGANG 摘要:在机器人视觉中.颜色是物体识别和认知过程中必不可少的信息.在YUV颜色空间的 基础上,提出了一种基于颜色特 征的目标识别算法.采用学习——扩充法获得适应性目标颜色特征的空间分布,克服环境光 照变化对目标颜色特征提取的 影响,并在算法中采用”位与”运算,提高了识别效率,实际应用证明了该方法的有效性. 关键词:目标识别;颜色特征iYUv空间;自主移动机器人 中图分类号:TP391.41文献标识码:A Abstract:Intherobotvision.thecoloriStheessentialinformationintheobjectrecognitionandthecogniti onprocess.thispaperpro- posedonekindtargetidentificationalgorithmbasedonthecolorcharacteristicwiththeYUVcolorspace, USeSthestudy——expan— sionalgorithmtoobtainthespatialdistributionofthecompatiblegoalcolorcharacteristic.overcomesthe influencethattheenviron— mentilluminationchangewithdrawstothegoalcolorcharacteristic,andtheefficiencyoftherecognitioni Simprovedbyusing”bit- and”operationinthecourseofcolorclustering.ThevalidityofthemethodiSprovedthroughactualapplic ations. Keywords:targetidentification,colorfeature,YUvspace,Autonomousmobilerobot 1引言 颜色是物体表面的基本特征,外部世界提供了丰富的颜色 信息,对于机器人视觉和人类视觉,颜色是进行物体识别和认 知必不可少的信息.目前彩色图象采集设备已经非常普及,彩 色图象的每个像素直接对应着它的颜色,所以基于颜色进行目 标检测是十分必要的. 对目标进行颜色特征检测之前,首先要选择合适的颜色空 间.颜色空间.又称为颜色坐标系,在机器视觉中一般称为颜色 模型.是颜色在三维空间中的排列方式.选择一种较好的颜色 空间仍然是目前彩色图象处理的关键所在,文献中对RGB, YUV,YIQ,HIS,Nrgb等颜色空间作了分析与比较,常用的颜色 空间有HSI空间,YUV空间和RGB空间,1RGB颜色空间不直 观,从中很难知道该值所表示的颜色的认知属性.HSI空间, YUV空间则不同.它们用两维来表示光谱,用第三维来表示色 彩的强度.但HSI空间是非线性变换,会造成大量运算及低饱 和度时颜色空间的奇异性:而YUV空间是线性转换,转换容 易.耗时少.根据这些理论选择YUV空间作为目标颜色检测的 颜色空间. 2颜色特征提取 目标颜色特征可用其在某一颜色空间S中的颜色分布Ds 来表示对于简单的应用.可以直接给出目标颜色的阈值范围. 但是.实际环境中往往由于光照不均匀和成像角度的差异,使 这一分布范围不能包含于目标同一颜色在不同成像条件下实 际空间分布Dr.解决这一问题的传统方法一般都选择等比例扩 大目标颜色特征分布空间.这种方法是基于目标颜色呈正态分 杨莉:助教硕士 基金项目:国家高技术发展计划资助项目(863-2002AA735041) 布的假设.文献中的实验表明,各个目标的颜色分布并非 的正态分布.由此可能导致将背景点错误地划分为目标点,降 低了图象的信噪比,给图象识别带来困难. 通过采用自动光圈摄像机,对较大光照变化由硬件实现自 动调节,但在图象平均灰度值变化不大时,自动光圈并不进行 调整.而且,由于三维物体表面的不同质点与光源及摄像机的 相对角度不同.使这些原本颜色相同的质点在图象中出现了颜 色渐进变化的效果.基于上述特点.本文对目标颜色阈值特征 的提取提出了一种有指导地学习和自动扩充相结合的方法,以 下简称为学习一扩充法来提取目标颜色特征.具体过程分两个 阶段:颜色特征学习阶段和应用扩展阶段. 一 .颜色特征学习阶段:由人工标定目标的每一种颜色特征 的分布空间St,采用YUV颜色空间表示,传统方法如文献中所 描述,将St集合描述为6个阈值:每一维两个值,分别表示该颜 色类在该维的最大值和最小值,即对应每一维的上,下阈值,如 图1所示,表达式如式(1).三个向量则在颜色空间中确定了一 个长方体,如图2所示,某一目标颜色特征的计算公式如式(2) 所示. 图1YUv空间的颜色阈值图2YUv空间的颜色模型 (y,u,)=I(y,u,)IY?【l,】,u?[u,u恤】,V?[,Vmax]}【lJ ,(P(y,U,)):{1(Y,,U’V.)St(2)LUomerwlse 但是经过实验发现,应用这种模型的颜色特征在处理图象 时会产生较大误差,原因在于它把特定颜色的三维空间分布都 @嘲邮局订82-946360~/一195— 软件时空中文核心期刊《微计算机信息》(管控一体化)2007年第23卷第孓3期 拟合为一个长方体,但颜色特征值并没有充满整个长方体模 型,显然,该模型不够合理. 因此,本文采用这样的模型:对每种目标颜色特征分别投 影在Y,U,V轴上,标定学习的每一个有效点,{Yl={YiJ (Y,Uj,V为标定点/{ua睇1={UiI(Y,Uj,V为标定点l,{V1={ViI(Y;,Uj, V)为标定点}这样每一种颜色特征的分布空间St集合描述公式 为(3).不难知道,当YUV空间中标定越来越多.点集的形状也 越来越趋近于一个三维闭合体.采用这样的颜色模型降低了一 定的误识现象. (Y,U,V)=f(y,U,V)JY?fYc),U?f},V?f}lr31 对于M个目标.每个目标确定其在环境中可能到达的特征 地点Ni个(i=1,2,---,M),则有指导的颜色特征学习过程描述如下: 1.选择目标Q;,确定其颜色特征F; 2.选择特征地点i0=1,2,…,Ni),标定目标的颜色阈值,并检 查标定效果,若效果不好,则重新标定; 3.如果Q;的各个特征地点均标定,则转到4,否则转2; 4.如果M个目标都标定过则转5.否则更换目标转1; 5.颜色特征学习结束. 采样后图象的单一颜色分量的灰度量化为个等级.每一颜 色分量都是0到2n一1之间的整型数.对于单一颜色采用8位 量化,假设一种目标Qi的颜色范围8位量化是:Yd睇={[197,221], 223l,Iu一=135,36,38,39,51,54l,{V一=115,16,17,19,20,22,23l,得 到的颜色特征向量采用美国Carne~eMellon大学机器人足球 实验室中所描述的表示方法.详细可参考文献5.符合该目标颜 色特征的目标区域p)可根据式(4)得出: Ro(p):fPIh【V1】&U.h【V2】&h【V3】=1)f41 其中Vlnv,v,分别是像P素的Y,U,V值. 表1组合向量表 SubYc.[]U啪[]vc[]Sl】bY啪[]U[]v…[] 0000000940l0000 000000000000 l5000llll37100000 0001ll100000 350l100022l100000 0l1000000000 上面论述了某一种颜色的识别方法,该方法也可以用于识 别多种颜色,只需要进行两次”位与”计算.设目标0i的颜色范 围:?[137,221]U?[35,57】?【15,24】目标0.的颜色范围: y,?[26,94]U,?[8,26],?[8,31].将这两种颜色范围向量组 合在一起的向量如表1所示. 分别符合颜色特征的区域R~/p)和R.可根据式(5),(6)得出: noi(P)=fPJ【V1]&【V2]&id【删=10}f51 f(p)=IPl【v1】&(,,妇【v21&V,v3】:01}(6) 利用”位与”运算的并行性,可同时判定像素点与多种目标 颜色类别的隶属关系.若采用32位的无符号整型数来表示颜 色范围向量数组元素,只要两次”位与”运算就能同时判断32 种颜色类别.传统的颜色识别需要进行32x6次比较运算才能 得出结果.相比之下,采用两次无符号整型数”位与”运算来进 行目标颜色特征判断提高了运算效率. 二.应用扩展阶段:在线提取颜色特征时,由于采用的颜色 模型是由采样点组合而成的,避免了误识的现象.但由于光照 变化及成像视角的变化等,出现了本来属于目标颜色特征的颜 色却不包含于目标颜色中的现象,因此在应用时,进一步采用 由系统根据颜色距离自动扩展目标颜色特征分布空间.具有相 同颜色的目标渐变表面的颜色变化也是渐变的.所以给出: 定义1:P,q两个像素点的颜色距离为: (p,q)maxtar,,?}maxtl,y目J,J一J,J一J} 定义2:目标颜色范围中心点的颜色特征为: 111 Y=去(ym+y腽)U=去(+一)V=去(+)二,. 由此得出: 定理1:给定像素点P,q和e,且p?Ro,P点与q点4一邻 接,e点是目标颜色分布空间的中心点,8,?为一给定的小正 数,确定q?.的条件是当D,q)<8且仅当且Do(C,q)<?.8,?由 具体环境和目标确定. 一一一, a)原始图象b)基于颜色模型提取的图象c)基于有效点提取的图象 图3颜色特征提取的实验图象 根据定理1,可在实际目标颜色特征提取时,实现具体目标 区域的动态扩展.实验如图3所示,图a1为采集的原始图象,其 中球,机器人和球门的颜色为待识别颜色,图b1是采用长方体 颜色模型的颜色特征提取结果图象,图c1为采用基于颜色有效 点的学习一扩充法的颜色特征提取结果图象.其提取效果与图 b)相比,减少了一定的颜色特征误识现象. 3实验 基于颜色特征的多目标识别算法应用于自主移动机器人 进行多目标识别实验,采用单目彩色视觉系统结构.位于机器 人顶部的SonyEVI—D100p摄像机.图象分辨率为320x240象 素,采样速度30帧/秒. 豳__一原始田最b)球门区域圈鼍c)球区域圈量 图4实验图象 自主移动机器人工作时.首先把得到的颜色特征调入内 存,从中可以得到各颜色特征的向量表.在机器人运动过程中. 通过位于机器人顶部的摄像机实时采集视觉信息,然后进行目 标识别.在所进行的实际实验中,识别的准确率可达90%以上. 取其中的一种情况的检测识别结果如图4所示.图a1是FIE摄 像机获取的原始图象,待识别的目标有蓝色球门,红色足球及 蓝色角柱.图d),e1,f)分别为各个目标的识别结果图象.从实验 结果图象可以看出尽管基于颜色特征提取得到的目标区域不 是很完整,但并不影响目标的识别结果. 4总结 本文主要讨论基于YUV颜色空间的颜色特征目标识别. 采用了非传统的长方体颜色模型,提出了一种基于学习一扩充 法的”位与”运算方法,克服环境光照变化对目标颜色特征提取 的影响,并在算法中采用”位与”运算,提高了识别效率.实际应 用证明了该方法的有效性,提高了视觉的识别效果.改善了实 际环境中由于光照不均匀和成像角度的差异对相同颜色目标 渐变表面的影响,提高了运算效率.rF转第220页) 一 196—360~L,年邮局订阅号:82.946 软件时空中文核心期刊《微计算机信息》(管控一体化)2007年第23卷第5-3期 然后一用于产生侯选,以找出..apriori—gen()过程 产生侯选,根据性质删除具有非频繁子集的候选,同时,如果事务 T的长度大于等于k,则调用subset(Cc)过程,由候选项集直接生 成频繁项目集.最后形成满足最小支持度10%的频繁项目集. 一 旦找出频繁项目集,由此产生关联规则,如表3所示. 表3关联规则 职务职称学位学历置信度支持度 教授61%15% 副教授35%40% 讲师15%32% 助教4%22% 博士65%54% 硕士54%19% 学士16%83% 4-3-3实例验证结果 以上规则表明.职称为”副教授”教师其分数>=9O的可能性 是35%,支持度为4O%;学位学历为”学士”的教师其分数>:9O 的可能性是16%,支持度为83%.分析说明,这6O名教师中,高 级职称及高学历教师教学水平较高.中,初级职称教师教学水平 需要提高.可见,这个结果为管理部门提供了决策支持信息,促 使更好地开展教学工作.提高教学质量. 5结论 本文按照频繁项目集性质分析了关联规则挖掘中Apriori 算法,针对该算法的不足,提出一个改进生成k一频繁项目集的算 法,旨在减少数据库扫描次数,节省算法过程所需的存储空间. 该算法在剪枝候选项的时候根据性质删除具有非频繁子集的 候选项,同时,如果事务T的长度大于等于K,则由候选项集直接 生成频繁项目集.将其应用在评教系统中,通过实例验证可以发 现改进后的算法能有效提高系统中规则提取部分的效率.节省 存储空间和降低运行时间. 创新点:1.在Apriori算法的基础上,在扫描数据库产生候选 项的同时直接生成所对应得频繁项目集.如频繁项目集不符合 Apriori性质.立即删除.2.在扫描数据库的过程中.有些可以判断 出不必再去扫描的项目或事务可以删掉.3.作为能较客观地反 映教学系统中存在的问题的工具之一,将数据挖掘应用于教学 管理领域的研究对实际的教学管理提出了很好的建议.给计算 机教学管理工作又添上了新的内容.可以促进教育体制的进一 步改革,完善和发展. 参考文献 [1]JiaweiHan,MichelineKambert.DataminingConceptsandTech- niques[M].MorganKaufmannPublishers,inc,2001f81:155,156. [2】范明,孟小峰.数据挖掘概念与技术[M】.北京:机械工业出版社, 2001—11:152—157. [3】魏萍萍,王翠茹,王保义,张振兴.数据挖掘技术及其在高校教 学系统中的应用[J】.计算机工程,2003,7:87—89. [4】邱桃荣,白小明,张丽萍.基于粒计算的Apriori算法及其在图 书管理系统中的应用[J】微计算机信息,2006,(21):218—221. 作者简介:柴晟(1973一),男,山东章丘人,讲师,硕士,研究方向:数 据库等.成~(1979一),男,四川成都人,博士生,研究方向:网格计 算,智能计算等.李学锋(1955一),女,江西南昌人,教务处处长,教 授,研究方向:高等教育教学等. Biography:ChaiSheng(1973一),Male,ShandongZhangqiu, Lecturer,Master,Researcharea:databasesystem.;CHENGYang (1979一),Male,SichuanChengdu,PhDcandidate,Researcharea: gddcomputing,intellectualcomputing;LIXue—Feng(1955一)’Fe— male,JiangxiNanchang,DeanofEducationalAdministration,Pro. fessor,Researcharea:hiereducation. (61o021四川成都成都航空职业技术学院计算机工程系)柴晟 (610064四川成都四川大学计算机学院)柴晟成飚 (61o021四川成都成都航空职业技术学院教务处)李学锋 通讯地址:(61o021四川四川成都市二环路南一段2o号成都航 空职业技术学院计算机工程系1柴晟 (收稿日期:2007.4.03)(修稿日期:2007.5.05) (上接第196页) 本文作者创新点:在YUV颜色空间的基础上,采用了非传 统的长方体颜色模型,提出了一种基于颜色特征的目标识别新 算法,通过学习——扩充法获得适应性目标颜色特征的空间分 布,克服环境光照变化对目标颜色特征提取的影响,并在算法 中采用”位与”运算,提高了识别效率,实际应用证明了该方法 的有效性. 参考文献 [1]陶霖密,徐光祜.机器视觉中的颜色问题及应用.科学通报. 2001(3) [2】J.Gauch,C.W.Hsia.AComparisonofThreeColorImage SegmentationAlgorithminFourColorSpaces.SPIEVisual CommunicationsandImageProcessing92.1992 [3]H.D.Cheng,X.H_Jiang,Y.Sun.ColorImageSegmentation: AdvancesandProspects.PatternRecognition.2001(341 [4]赵保华,曹爱红,李吉功,梁爽.基于局部颜色空间转换的快速 识别算法『J]微计算机信息.2006,22(6) [513~0关松,陆宗骐,徐建国.几种彩色模型在不同光照条件下的 稳定性分析-,J,型微型计算机系统.2002.23(71 [6】贾云得.机器视觉.科学出版社,2000 [7】欧宗瑛,袁野,张艳珍.基于颜色信息足球机器人视觉跟踪算 法.大连理工大学学报,2000,40f6) 作者简介:杨莉(1979一),女(汉族),山东东营人,山东工商学院 信息与电子工程学院助教,硕士,主要从事人工智能及模式识 别的研究. Biography:YangLi(1979一),female(HanNfitionality),Schod ofInformationandElectronicsEngineeringShandongInstituteof BusinessandTechnologyteachingassistant,master,mainlyis engagedintheartificialintelligenceandthepatternrecognition research. (264OO5烟台山东工商学院信息与电子工程学院1杨莉 隋金雷郭玉刚 (30O384天津天津农学院机电工程系)杜艳红 (SchoolofInformationandElectronicsEngineeringShandong InstituteofBusinessandTechnology)YangLiSuiJinxue GuoYugang (TheDepartmentofElectromechanicalengineeringofW~ajin AgriculturalUniversity)DuYanhong 通讯地址:(264005烟台山东工商学院信息与电子工程学院) 杨莉 (收稿日期:2007.3.3)(修稿日期:2007.4.5) 一 220360元,年邮局订阅号:82.946