蘭 麗，胡曉輝，孫苗強(qiáng)

（蘭州交通大學(xué) 電子與信息工程學(xué)院，蘭州730070）

0 引 言

智能車輛自主駕駛系統(tǒng)的關(guān)鍵技術(shù)之一是基于視覺的道路檢測.近年來，自主駕駛系統(tǒng)的研究，隨著計(jì)算機(jī)和機(jī)器人技術(shù)不斷發(fā)展，也得到了飛速的發(fā)展.其中，怎樣在各種復(fù)雜自然環(huán)境下準(zhǔn)確識(shí)別前方道路是自主駕駛系統(tǒng)的一個(gè)難題［1］.

自主駕駛系統(tǒng)實(shí)際中的道路處于完全真實(shí)的室外環(huán)境，因此道路結(jié)構(gòu)尤其復(fù)雜.除了高速道路、街道、鄉(xiāng)村公路等有明顯車道線和邊界的結(jié)構(gòu)化道路，還有山路、鄉(xiāng)間小路、泥土路等無明顯車道線和邊界不清晰的非結(jié)構(gòu)化道路.對(duì)于結(jié)構(gòu)化程度較高的道路，可將道路檢測的方法一般簡化為車道線檢測.而非結(jié)構(gòu)化道路，因受自然環(huán)境中季節(jié)、天氣或者光照等的影響，例如樹蔭遮蔽、雨雪積水等，都會(huì)造成道路表面特征的改變，給非結(jié)構(gòu)化道路檢測帶來一定的挑戰(zhàn)性.目前，已有一些研究針對(duì)像校園道路這樣部分非結(jié)構(gòu)化道路［2－4］，而針對(duì)山地環(huán)境這樣完全非結(jié)構(gòu)道路研究較少，本文研究對(duì)象是完全非結(jié)構(gòu)化道路.

如何從彩色圖像中獲得道路的信息是基于視覺的道路檢測的關(guān)鍵.由于道路處于真實(shí)的自然環(huán)境中，攝像機(jī)獲得的圖像往往受各種環(huán)境因素的影響而退化.另外，由于完全非結(jié)構(gòu)化道路圖像的某些特征，例如邊緣、輪廓等本來就不是很明顯，這使圖像處理后序過程的信息提取受到直接影響.

灰色系統(tǒng)理論是由華中科技大學(xué)的鄧聚龍教授于20世紀(jì)80年代初在國際上首先提出的研究少數(shù)據(jù)、貧信息不確定性問題的新方法，是一種現(xiàn)已廣泛應(yīng)用于社會(huì)、經(jīng)濟(jì)、科技、農(nóng)業(yè)、生態(tài)、生物等各個(gè)領(lǐng)域［5］，這一日趨成熟的新理論已贏得了國際、國內(nèi)學(xué)術(shù)界的肯定和關(guān)注［3］.利用灰關(guān)聯(lián)分析對(duì)圖像進(jìn)行處理是近年來灰度圖像處理領(lǐng)域出現(xiàn)的一種新方法，在邊緣檢測方面已經(jīng)取得較好的效果［6－8］.從檢測的角度來說，完全非結(jié)構(gòu)化道路彩色圖像邊緣信息是無法預(yù)知的，可以將它看作一個(gè)灰色系統(tǒng).

把灰色關(guān)聯(lián)分析引入邊緣檢測的實(shí)質(zhì)是依據(jù)比較序列和參考序列的關(guān)聯(lián)度大小來判斷是否為邊緣點(diǎn)，因此邊緣點(diǎn)判斷的準(zhǔn)確與否與參考序列有很大的關(guān)系.Sobel算子是常用的檢測圖像邊緣的算子，用它計(jì)算圖像一階梯度，而以它作為模板對(duì)圖像進(jìn)行空間域?yàn)V波，其極值就是圖像的邊緣，所以它在一定程度上可以反映圖像邊緣像素的分布特性.本文將灰色關(guān)聯(lián)度引入完全非結(jié)構(gòu)化道路彩色圖像邊緣的檢測中，將由彩色空間的三維分量信息生成的比較序列與由Sobel算子形成的參考序列計(jì)算其灰色關(guān)聯(lián)度，生成色彩分量灰關(guān)聯(lián)度圖像，然后進(jìn)行道路彩色圖像邊緣檢測.實(shí)驗(yàn)表明，該算法充分利用了實(shí)時(shí)彩色道路圖像，具有較高的精確性和實(shí)時(shí)性.

1 算法原理與步驟

（1）圖像預(yù)處理

在本文的基于彩色視覺的道路檢測系統(tǒng)中，由于獲得的初始圖像分辨率較高.為了滿足系統(tǒng)的實(shí)時(shí)性要求，本文首先在2×2的窗口內(nèi)求平均，再對(duì)得到的圖像進(jìn)行二次抽樣.但是平均會(huì)模糊圖像，通過實(shí)驗(yàn)，我們發(fā)現(xiàn)當(dāng)求平均窗口小到和二次樣本間的距離相當(dāng)時(shí)，這種影響就會(huì)減少.

（2）確定參考序列和比較序列

鄧氏關(guān)聯(lián)度是用于定量表征灰色系統(tǒng)各因素間關(guān)聯(lián)度的常用方法之一，由鄧聚龍教授最早提出的.在鄧氏關(guān)聯(lián)度中對(duì)灰色關(guān)聯(lián)系數(shù)的定義為［5］：

設(shè)參考序列x0＝｛x0（k）｜k＝1，2，…，N｝，比較序列xi＝｛xi（k）｜k＝1，2，…，N｝，其中 N 表示參考序列和待比較序列中分量的個(gè)數(shù)，則關(guān)聯(lián)系數(shù)的計(jì)算公式：

其中ρ稱為分辨系數(shù)，一般情況下常取0.1、0.5，ρ值可以提高關(guān)聯(lián)系數(shù)間的差異，其值越小，關(guān)聯(lián)度分辨效果越明顯，本文通過實(shí)驗(yàn)取ρ＝0.205.δi，0（k）表示在第k個(gè)時(shí)刻比較序列xi與x0之間的相對(duì)差值，將其定義為序列xi對(duì)x0在k時(shí)刻的關(guān)聯(lián)系數(shù)，它反映了不同序列在同一點(diǎn)與參考序列的相似序列.

由于完全非結(jié)構(gòu)化道路彩色圖像邊緣信息是無法預(yù)知的，可以將它看作一個(gè)灰色系統(tǒng)，來進(jìn)行灰關(guān)聯(lián)分析.Sobel算子反映圖像的一階梯度，而以它作為模板對(duì)圖像進(jìn)行計(jì)算，若邊緣點(diǎn)處達(dá)到極值，就是圖像的邊緣，因此本文采用Sobel算子作為參考序列計(jì)算圖像中各點(diǎn)的關(guān)聯(lián)度.由圖1可得由Sobel算子形成的兩個(gè)參考序列為：

圖1 Sobel檢測算子

本文選取符合人體視覺的HSI空間模型，利用HSI空間的H（色度）、S（飽和度）和I（亮度）分量圖像，形成比較序列.假設(shè)每個(gè)分量圖像的大小為N×M，則對(duì)每一個(gè)分量圖中某一個(gè)像素xi，j點(diǎn)，其鄰域的空間位置分布如圖2所示.

圖2 xi，j及其八鄰域的空間位置

根據(jù)圖2，利用像素xi，j的八鄰域分量值可形成像素xi，j比較序列為：

其中，i＝1，2…N；j＝1，2…M.為了描述方便，用xq表示第q個(gè)比較序列xi，j，其中q＝1，2，…，N×M.

（3）生成彩色灰關(guān)聯(lián)度圖像及圖像合并

按（2）所述方法，分別作用于HSV空間上的兩個(gè)分量H、S上，得到兩張邊緣檢測圖像D1和D2，然后按或運(yùn)算合并方式得到彩色道路圖像邊緣.

2 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文所提算法的有效性，本文在山地拍攝多副彩色道路圖像，圖像采集設(shè)備為CANON EOS 5DMark II數(shù)碼像機(jī)，圖像尺寸320×400.利用matlab7.0仿真本文提出的檢測算法.圖像經(jīng)過2×2窗口內(nèi)平均值及二次抽樣，最終大小為80×100.

實(shí)驗(yàn)檢測了四種自然情況下的實(shí)地山地圖像，如圖3所示，圖3（a）為邊界退化常規(guī)道路圖像；圖3（b）為存在大片水跡干擾的道路圖像.

圖3 實(shí)地采集部分山地圖像

圖4展示了對(duì)上述圖像的檢測效果，上排為直接利用Soble算子，下排為本文算法.

圖4 道路邊緣檢測結(jié)果

從檢測結(jié)果可以看出，直接利用Sobel算子進(jìn)行邊緣檢測得到的圖像邊緣很模糊，對(duì)于邊緣退化的道路有較大面積的間斷區(qū)域，對(duì)于有水跡干擾的道路邊緣有誤判斷.而利用本文算法對(duì)圖像進(jìn)行處理，得到的圖像比直接利用Sobel算子對(duì)圖像處理得到的結(jié)果好，圖像的邊緣輪廓比較清晰，且對(duì)于水跡干擾的道路邊緣也能做出較好的檢測.

3 結(jié) 論

目前針對(duì)完全非結(jié)構(gòu)化道路邊緣檢測還沒有成熟的檢測方法，用傳統(tǒng)的邊緣檢測算子進(jìn)行檢測適應(yīng)性差.與之相比本文提出的基于灰關(guān)聯(lián)和Sobel算子的完全非結(jié)構(gòu)化道路邊緣檢測方法不依賴于道路形狀和假設(shè)，算法實(shí)時(shí)性好，邊緣檢測結(jié)果清晰.實(shí)驗(yàn)結(jié)果證明了在非結(jié)構(gòu)道路邊緣檢測中，灰關(guān)聯(lián)分析是可行的，而且是高效的，為非結(jié)構(gòu)化道路的檢測提供了一種新思路，具有理論和技術(shù)參考價(jià)值.

［1］ Miguel Angel Sotelo，F(xiàn)raneiseo Javier Rodriguez，Luis Magdalena，Luis Migue Bergasa，Lueiano Boquete.A color Vision－Based Lane Tracking System for Autonomous Driving on Unmarked Roads［J］.Autonomous－Robots，2004，16：95－116.

［2］ Jeong H，Oh Y，Park J H.Vision－based Adaptive and Recursive Tracking of Unpaved Roads.Pattern Recognition Letters［J］.2002，23（13）：73－82.

［3］ 郝志帥.復(fù)雜環(huán)境道路檢測技術(shù)研究［D］.南京：南京理工大學(xué)碩士論文，2009.

［4］ Li Dajie，Chai Yi，Yin Hong－peng，etal.Method of Road Recognition Based on Color Image Edge Detection［D］.Computer Engineering and Applications，2008，44.

［5］ 鄧聚龍.灰理論基礎(chǔ)［M］.武昌：華中科技大學(xué)出版社，2002.

［6］ 馬 苗，樊養(yǎng)余，謝松云等.基于灰色系統(tǒng)理論的圖像邊緣檢測新算法［J］.中國圖像圖形學(xué)報(bào)，2003，8（10）：1136－1139.

［7］ 馬 苗，郝重陽，韓培友，等.基于灰色關(guān)聯(lián)分析的圖像保真度準(zhǔn)則［J］.計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2004，16（7）：978－983.

［8］ 鐘都都.紅外圖像處理與仿真技術(shù)應(yīng)用研究［D］.西北工業(yè)大學(xué)碩士論文，2006.

［9］ R.Bajcsy，SW.Lee，A.Leonardis.Dectection of Diffuse and Specular Interface Reflections by Color Image Segementation［J］.Int.J.of Computer Vision 1996，17：241－272.