胡明娣, 霍艷艷

(西安郵電大學(xué) 通信與信息工程學(xué)院, 陜西 西安 710121)

圖像檢索是在圖像庫的眾多圖像中，搜索包含指定特征或指定內(nèi)容的圖像[1]。隨著車輛的增多，交通肇事行為也急劇增長，使得交通管理部門存在海量的圖像數(shù)據(jù)，需要快速并準(zhǔn)確地進(jìn)行統(tǒng)計(jì)和篩選。因此，對目標(biāo)車輛圖像進(jìn)行檢索已成為圖像檢索的重要研究方向。

自然場景下，車輛顏色是車輛最為顯著的特征[2]，且車輛顏色較為符合人眼視覺感知，所以基于顏色特征的車輛圖像檢索方法使用最為普遍[3]。全局顏色直方圖方法[4]，即一維顏色直方圖法，是對顏色特征的統(tǒng)計(jì)，當(dāng)圖像顏色的空間位置信息丟失時(shí)，直方圖與圖像會出現(xiàn)一對多的情況，并且，在顏色特征統(tǒng)計(jì)過程中，特征維數(shù)過高。利用輕量卷積神經(jīng)網(wǎng)絡(luò)的車輛顏色檢索方法，采用空間金字塔匹配(spatial pyramid matching,SPM)策略劃分特征圖[5]，對每個(gè)SPM子區(qū)域進(jìn)行編碼，從而生成特征向量，但此方法需要對較大圖像庫進(jìn)行訓(xùn)練，不滿足快速檢索需求。對于這種情況，可采用模糊理論[6]構(gòu)建合理的隸屬度函數(shù)，實(shí)現(xiàn)對車輛色度空間模糊信息的分明刻畫，對顏色描述更精確?；谔菪位蛉切坞`屬度函數(shù)檢索方法，采用模糊直方圖構(gòu)造算法和模糊C均值聚類算法對圖像顏色進(jìn)行聚類[7-8]，對量化的色度區(qū)間邊緣進(jìn)行模糊判斷，雖然可以滿足快速檢索的要求，但查準(zhǔn)率較低。

運(yùn)用非均勻量化、三角形和梯形模糊隸屬度對車輛圖片顏色進(jìn)行量化，可在歐氏距離和加權(quán)距離相似度量下，對車輛圖像庫進(jìn)行檢索[9]；將Vague集引入模糊量化，通過梯形隸屬度函數(shù)得到任意顏色在模糊區(qū)域的Vague隸屬度值，根據(jù)歐式距離得到相似圖像[10]。上述隸屬度函數(shù)在對顏色進(jìn)行分類時(shí)，區(qū)間寬度是由人為設(shè)置，具有較大的主觀性。

為了提高基于顏色特征的車輛圖像檢索的準(zhǔn)確率，本文提出一種基于Gamma隸屬度的車輛圖像檢索算法。利用廣義直方圖提取的圖像顏色特征，包含顏色空間位置信息，對合成分量L使用Gamma函數(shù)刻畫隸屬度值，從而進(jìn)行相似度測量。此隸屬度值的獲得完全由圖像自身的直方圖信息獲得，區(qū)別于三角形隸屬度中模糊區(qū)間的人為主觀性。

1 基于Gamma隸屬度的圖像檢索算法

1.1 顏色特征提取

廣義直方圖[11]根據(jù)像素點(diǎn)間的空間相關(guān)性，較好地表達(dá)了像素的空間信息，改善了傳統(tǒng)直方圖缺少顏色空間信息的問題。一般情況下，通過廣義直方圖可提取圖像顏色特征，獲取過程如圖1所示。

圖1 獲取廣義直方圖流程

圖像中任意一點(diǎn)的像素點(diǎn)值，可用該點(diǎn)像素鄰域內(nèi)所有顏色像素點(diǎn)值的平均值表示。圖像平滑效果隨鄰域范圍的增大而增強(qiáng)，但是，當(dāng)鄰域過大時(shí)，平滑圖像將會丟失圖像的邊緣信息。因此，采用均值濾波[12]獲取平滑圖像時(shí)，可選取適合鄰域范圍的3×3平滑模板進(jìn)行圖像平滑，3×3模板如圖2所示。

f(i-1,j-1)f(i-1,j)f(i-1,j+1)f(i,j-1)f(i,j)f(i,j+1)f(i+1,j-1)f(i+1,j)f(i+1,j+1)

圖2 3×3的平滑模板

設(shè)M×N的圖像P中，任意一點(diǎn)(i,j)處的像素點(diǎn)值為f(i,j)，經(jīng)3×3模板平滑后像素點(diǎn)值為

(1)

當(dāng)圖像P中所有像素點(diǎn)值經(jīng)過3×3模板平滑后，得到平滑圖像Q，圖像P和圖像Q對應(yīng)的像素點(diǎn)值組合形成的二元組(P,Q)，為圖像P的廣義圖像，提取廣義圖像的顏色特征即得到廣義直方圖。在廣義直方圖像提取顏色特征時(shí)，選用更符合人眼視覺的HSV空間，按照人的視覺感知，對分量H、S和V進(jìn)行非均勻量化[13]，其表達(dá)式分別為

(2)

其中，h為色調(diào)，s為飽和度，v為亮度。為方便計(jì)算，將分量H,S,V合成特征[13]

L=9H+3S+V,

(3)

圖像P的特征記為Lp，圖像Q的特征記為Lq,其廣義直方圖的特征可表示為

LPQ=LP+LQ=9HP+3SP+VP+9HQ+3SQ+VQ，

(4)

取值范圍為[0，143]。

根據(jù)式(4)，對圖像庫圖像A的LPQ進(jìn)行特征提取,得到廣義直方圖h1，同理,可獲得目標(biāo)圖像B的廣義直方圖h2。

1.2 隸屬度值獲取

從Gamma分布中得到的Gamma隸屬度函數(shù)，是對模糊信息的一種分明刻畫[14]。Gamma分布的概率密度函數(shù)[14]為

(5)

其中，γ是形狀參數(shù)，m是位置參數(shù)，β是尺度參數(shù)，Γ是Gamma函數(shù)。

當(dāng)β=1,γ=1,m≠0時(shí)，式(5)可表示為[14]

f(x)=exp[-(x-m)]。

(6)

將顏色劃分為144個(gè)顏色區(qū)間，對應(yīng)為直方圖顏色bin。在圖像檢索過程，以目標(biāo)圖像廣義直方圖第n個(gè)bin的值h2(n)替代m，即圖像庫圖像廣義直方圖第n個(gè)bin值為h1(n)(n=1,2,…,144)，則h2(n)和h1(n)相對于目標(biāo)圖像的隸屬度值分別為

μ2(n)=exp{-[h2(n)-h2(n)]constL},

(7)

μ1(n)=exp[-|h1(n)-h2(n)|constL]。

(8)

constl為常數(shù)，控制隸屬度值在[0,1]范圍內(nèi)，其表達(dá)式為

(9)

其中k=1,2,…,K，K為圖像總數(shù)。

由式(8)可知，μ1(n)的取值與h2(n)有關(guān)，說明通過Gamma隸屬度函數(shù)可獲得廣義直方圖的隸屬度值，從而改善了人為設(shè)定模糊區(qū)域的主觀性問題。

1.3 基于Tversky的相似性測度

圖像檢索是度量兩個(gè)圖像之間的模糊相似性[15]。廣義Tversky指數(shù)(generalized Tversky’ sindex，GTI)作為相似性度量函數(shù)，提供了基于人類感知的相似性評估集合理論指數(shù)[16]，可表示為

(10)

z(h1,h2)=f(h1∩h2)+
αf(h1-h2)+βf(h2-h1)。

其中，α與β是賦予圖像A與B獨(dú)特的特征權(quán)重，當(dāng)α>β時(shí)，檢索結(jié)果突出A的獨(dú)特特征。h1∩h2是圖像A和B的共同特征，h1-h2指在圖像A中存在但在圖像B中不存在的特征。

對μ1(n)和μ2(n)進(jìn)行相似性測度，式(10)可改寫為

(11)

其中，

當(dāng)直方圖顏色bin的隸屬度值相近時(shí)，表示兩個(gè)圖像的共同特征較多，而獨(dú)特特征較少，意味著兩個(gè)圖像是相似的。在該算法中，圖像A與圖像B的特征權(quán)重α與β均為0.5，則式(11)可簡化為

(12)

由式(8)和式(12)可推知，當(dāng)兩幅圖像完全相同時(shí)，G值為1。

基于Gamma隸屬度的圖像檢索算法，將圖像通過3×3模板進(jìn)行平滑處理獲得廣義圖像，在HSV空間中提取圖像顏色特征獲得廣義直方圖；使用Gamma隸屬度算法獲得圖像直方圖顏色bin的隸屬度值，并通過Tversky進(jìn)行相似性測度，根據(jù)相似度量值排序輸出檢索結(jié)果。算法流程如圖3所示。

圖3 算法流程

2 實(shí)驗(yàn)及結(jié)果分析

采集291個(gè)品牌的3 237個(gè)車系全部顏色的所有車輛圖像，構(gòu)建車輛圖像庫。該車輛圖像庫包括正視圖、側(cè)視圖和后視圖等3種不同視角下的車輛視圖，如圖4所示。檢索前將圖像進(jìn)行裁剪處理，統(tǒng)一車輛側(cè)視圖像素大小為180×80，車輛正視圖及后視圖像素大小為140×100。

圖4 不同視角下的同一車輛圖像

分別在Corel標(biāo)準(zhǔn)圖像庫和車輛圖像庫中提取車輛圖像，以查準(zhǔn)率和查全率[17]為評價(jià)指標(biāo)，對比非均勻量化算法、三角形隸屬度量化算法及本文算法的檢索效果。

實(shí)驗(yàn)1在Corel標(biāo)準(zhǔn)圖像庫中隨機(jī)選取10張圖像，分別使用3種算法進(jìn)行相似檢索。3種算法的查準(zhǔn)率與查全率結(jié)果分別如表1和表2所示。

由表1和表2可以看出，非均勻量化算法的查準(zhǔn)率為70%，查全率為42%；三角形隸屬度量化算法的查準(zhǔn)率為75%，查全率為45%；本文算法的查準(zhǔn)率為85%，查全率為51%。

實(shí)驗(yàn)2在車輛圖像庫隨機(jī)選取10張圖像，分別使用3種算法進(jìn)行相似檢索。3種算法的查準(zhǔn)率與查全率結(jié)果分別如表3和表4所示。

由表3和表4可以看出，在車輛圖像庫進(jìn)行檢索時(shí)，非均勻量化的查準(zhǔn)率為83%，查全率為16%；三角形隸屬度量化算法的查準(zhǔn)率為84%，查全率為17%；本文算法的查準(zhǔn)率為92%，查全率為18%。

表1 3種算法的查準(zhǔn)率

表2 3種算法的查全率

表3 3種算法的查準(zhǔn)率

表4 3種算法的查全率

由上述兩組實(shí)驗(yàn)數(shù)據(jù)可以得出，基于Gamma隸屬度的車輛圖像檢索算法的查準(zhǔn)率與查全率均高于非均勻量化算法和三角形隸屬度量化算法，檢索效果較好。

3 結(jié)語

基于Gamma隸屬度的車輛圖像檢索算法，利用廣義直方圖在HSV空間提取圖像顏色特征，獲得特征分量L，對其利用Gamma函數(shù)尋找隸屬度值，改善了傳統(tǒng)隸屬度值獲取的主觀性問題。最后，根據(jù)基于Tversky的相似性測度進(jìn)行檢索并輸出相似圖像。對比實(shí)驗(yàn)結(jié)果表明，基于Gamma隸屬度的車輛圖像檢索算法的查準(zhǔn)率與查全率均高于非均勻量化算法和三角形隸屬度量化算法，檢索效果較好。