陳芬

摘要：基于單目視覺的環(huán)境感知一直是機器視覺領域的重要研究內(nèi)容。視覺信息處理技術(shù)主要應用于道路檢測識別、路標檢測識別、障礙檢測識別、障礙跟蹤及其他傳感器的自標定、輔助標定等幾個主要方面。道路檢測識別是環(huán)境感知、場景理解中的關(guān)鍵技術(shù)之一。道路圖像理解不僅能夠從道路圖像中理解道路環(huán)境、獲取未知信息，而且能為其他任務（如行人和車輛檢測、路徑規(guī)劃等）提供線索。但同時，基于視覺的道路圖像理解也是一項極具挑戰(zhàn)性的任務，因為道路場景的檢測易受光照、天氣、遮擋等因素的影響。

關(guān)鍵詞：計算機視覺；場景理解；道路檢測

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2015）23-0118-02

An Overview of Road Image Understanding Based on Monocular Vision

CHEN Fen

（Armored Force Institute， Bengbu 233050 China）

Abstract： The ambient awareness based on monocular vision is always the important research in the computer vision. The visual information processing almost has been applied into the some aspects， such as road detection and identification， sign detection and identification， block detection and identification， block tracking and other sensors demarcated and aided demarcated. Road image understanding not only can master road environment and fetch unknown information from road image， but also can provide intelligence for other missions as pedestrian， vehicle detection and route planning， etc. However， road image understanding based on vision is also a challenging mission， because the road scene detection vulnerable to light， weather and shelter etc.

Key words： computer version； scenes understanding； road detection

1概述

計算機視覺旨在用各種成像系統(tǒng)代替視覺器官作為輸入敏感手段，由計算機來代替大腦完成處理和解釋，其最終研究目標就是使計算機能像人一樣通過視覺的觀察和理解，弄清楚外部世界有什么東西，它們在什么地方?；趩文恳曈X的道路圖像理解在移動機器人、自動導引車、輔助駕駛、智能交通系統(tǒng)等領域得到了廣泛的應用。

道路圖像包含了豐富的周圍環(huán)境信息，依據(jù)不同的應用，道路圖像對周圍場景給出不同的解釋。道路檢測是從道路圖像中檢測出道路區(qū)域或道路的邊緣，它是道路理解的基礎。對于結(jié)構(gòu)化道路（如高速公路場景），道路邊緣、車道線的顏色、亮度與路面差異較大，通常使用基于道路邊緣的檢測方法檢測道路。對于邊緣不夠明顯的道路（如越野道路），基于道路邊緣的檢測方法便不再適用，此時，可以采用基于路面的檢測方法檢測道路。該類方法是建立在道路區(qū)域內(nèi)特征比較統(tǒng)一，且與背景的特征之間有可區(qū)分性的基礎上。

本文將著重介紹道路檢測方法，并對今后的研究進行展望。

2研究現(xiàn)狀

由于缺乏標注數(shù)據(jù)，早期的道路檢測算法通常是針對在線場景，如[1-2]。多數(shù)針對在線場景的道路檢測算法都假設輸入圖像的中央底部區(qū)域的像素屬于道路樣本，則該區(qū)域像素特征分布可以用于在線訓練，進而判別圖像中的剩余像素是否屬于道路。這種簡單的假設在路面條件較簡單的情況下比較有效，但是當路面條件較復雜時，圖像底部的像素與道路存在偏差，這種假設便不成立，從而導致算法的檢測結(jié)果很差。

隨著一些標準數(shù)據(jù)庫（如 CamVid[3]，KITTI[4-5]）的公開，使得利用大規(guī)模標注數(shù)據(jù)訓練離線模型成為了可能，因此基于監(jiān)督學習的離線訓練方法開始流行起來。現(xiàn)有的大部分基于離線訓練的道路檢測算法都是基于圖像表面和運動特征訓練像素分類器[6]。當遇到與訓練場景類似的測試場景時，訓練得到的分類器能夠較好地檢測出道路，使得算法能夠保持較好的性能；當遇到不同的場景或受到外界干擾時，訓練得到的分類器就會表現(xiàn)出“數(shù)據(jù)庫偏見”[3]，從而導致算法的性能急劇下降。

近年來，出現(xiàn)了一些基于在線學習的道路檢測算法，如[7-8]。其中文獻[7]提出了一種結(jié)合在線學習和離線學習的道路檢測方法：利用離線標記樣本訓練學習得到道路模型，該離線道路模型包含了離線樣本的一般性信息，當進行在線道路檢測時，這些信息能夠與在線學習相結(jié)合，進而提高道路檢測的魯棒性。

3檢測方法分類

迄今為止，雖然衍生出了眾多的道路檢測方法，但是并沒有一種權(quán)威的方法對其進行分類。通常情況下，當前視覺導航中的道路檢測技術(shù)，可以被大概分為下述三類：

3.1基于模型的道路檢測方法

基于模型的方法首先假設非結(jié)構(gòu)化道路具有相對規(guī)則的路邊，根據(jù)路邊形狀建立相應的道路模型。根據(jù)所建立的道路模型，然后結(jié)合圖像特征和視覺模型對道路。進行擬合匹配，求得道路的路邊。常用的模型有直線模型、蛇型線模型、拋物線模型、樣條曲線模型等[9]。基于道路模型的匹配法可以有效克服路面陰影、污染、光照不均等外界環(huán)境因素干擾，但是當?shù)缆凡环项A先假設模型時，算法就會失效，因此道路模型的選取顯得至關(guān)重要。

3.2基于學習的道路檢測方法

基于學習的方法主要是采用神經(jīng)網(wǎng)絡[10]或自監(jiān)督的方式，根據(jù)車前方一塊區(qū)域是道路這一假定，然后通過分析其特征來進行其他區(qū)域的道路檢測。

3.3基于特征的道路檢測方法

基于特征的非結(jié)構(gòu)化道路檢測算法是目前應用最廣泛也是被研究最多的算法。圖像特征法在進行道路檢測時，利用圖像特征上的差異作為其主要思想，主要是指道路標線或邊界在形狀、紋理、灰度和對比度等方面與其他圖像背景之間的特征差異，大部分的計算集中在圖像處理以及如何感知分類所利用的特征值上。這種方法的優(yōu)點是計算較為簡單，但外界因素的干擾，比如陰影遮擋、光照變化、噪聲、道路邊界或標志線的不連續(xù)性等都會成為難以跨越的障礙。另外由于各個特征都存在自身的優(yōu)點和不足，因此同時采用邊緣、區(qū)域等多種特征是基于道路圖像特征檢測算法的一種趨勢。

4圖像特征

在基于視覺的目標檢測中，特征選擇是關(guān)鍵的一步，特征選擇結(jié)果的好壞直接影響著分類器的分類精度和泛化性能。常用的圖像特征包括顏色特征、紋理特征和形狀特征等。

圖像的顏色特征被廣泛應用于道路檢測中，如RGB、HSV等。實際上，道路場景中光照條件的變化會導致道路中經(jīng)常出現(xiàn)陰影，在這種情況下，僅使用圖像的顏色特征就不能很好地描述道路信息。針對這種情況，使用基于顏色特征的光照不變特征，能夠改善道路檢測結(jié)果。

除了顏色特征和光照不變特征，紋理特征也是表示圖像的重要視覺特征。紋理結(jié)構(gòu)反映圖像亮度的空間變化情況并不依賴彩色和灰度[14]，它具有局部與整體的自相似性。紋理是由紋理基元按某種確定性的規(guī)律或某種統(tǒng)計規(guī)律排列組成的，在紋理區(qū)域內(nèi)各部分具有大致相同的結(jié)構(gòu)。文獻和文獻[16]分別提取不同的紋理特征用于道路檢測。

方向梯度直方圖（Histogram of Oriented Gradient，HOG）是通過計算局部區(qū)域的梯度方向直方圖來構(gòu)成特征，可以對圖像的紋理特征進行描述。最初用在行人檢測]當中并且得到了很好的效果，因此在物體檢測領域得到了廣泛的應用。

顏色特征在光照條件不理想的場景下，不適用于目標顏色與背景顏色相近的情況；在非結(jié)構(gòu)化環(huán)境下，道路中有些地方的紋理特征可能與背景紋理特征非常相似，使得提取的紋理特征存在較大的噪聲；HOG特征對光照和陰影的適應性強，對圖像幾何和光學的形變都能保持良好的不變性，但其計算量較大。近年來，為了將各種特征的優(yōu)勢結(jié)合起來，組合特征被用于目標檢測中，文獻[18]中將顏色特征、灰度特征和紋理特征的組合作為路面檢測的依據(jù)。

5面臨的挑戰(zhàn)

目前基于單目視覺的道路圖像在移動機器人、自動導引車、輔助駕駛、智能交通系統(tǒng)等領域得到了廣泛的應用，但仍有很多的問題需要解決：

1） 實際的道路標示線由于磨損而變得模糊，或者被道路上的其他物體所遮擋，或者由 于天氣等原因光照條件比較差。

2） 結(jié)構(gòu)化道路有著明顯的道路標志，易于檢測，準確性高。 一般的城市道路、鄉(xiāng)村道路從建立道路模型到道路檢測與識別跟蹤都仍然是富有挑戰(zhàn)性的課題。

3） 計算機視覺具有信息量豐富、信號探測范圍廣、獲取信息完整、智能化水平高等優(yōu)點，激光雷達、GPS、測距器傳感器等則可提供精確的檢測物方位與距離信息，將其結(jié)合起來可以更好地檢測跟蹤道路。充分利用多個傳感器資源，將各種傳感器在空間和時間上的互補與冗余信息依據(jù)某種優(yōu)化準則組合起來，可產(chǎn)生對觀測環(huán)境的一致性解釋和描述。

6結(jié)束語

道路檢測是道路場景理解中十分關(guān)鍵的一步，因為道路既是道路場景中的一大要素，又能為其他任務的完成提供線索。然而，道路檢測卻是一項極具挑戰(zhàn)性的任務，今后的研究仍然需要進一步提高系統(tǒng)的實時性、可靠性、魯棒性，并且從適合結(jié)構(gòu)化道路轉(zhuǎn)向適合各種自然道路，同時進行多傳感器信息融合。

參考文獻：

[1] Sotelo M A，Rodriguez F J，Magdalena L.Virtuous：Vision-based road transportation for unmanned operation on urban-like scenarios[J].Intelligent Transportation Systems，IEEE Transactions on. 2004，5（2）：69-83.

[2] Alvarez J M，Gevers T，Lopez A M.3D scene priors for road detection[C].In Computer Vision and Pattern Recognition，IEEE Conference on.2010：57-64.

[3] Brostow G J，Shotton J，F(xiàn)auqueur J，et al.Segmentation and recognition usingstructure from motion point clouds[M]//Brostow G J，Shotton J，F(xiàn)auqueurJ，et al.Computer Vision–ECCV 2008.Springer，2008：44-57.

[4] Geiger A，Lenz P，Urtasun R.Are we ready for autonomous driving？ The KITTIvision benchmark suite[C]// Computer Vision and Pattern Recognition （CVPR），2012 IEEE Conference on.2012：3354-3361.

[5] Geiger A，Lenz P，Stiller C，et al.Vision meets robotics：The KITTI dataset[J].The International Journal of Robotics Research.2013.

[6] Sturgess P，Alahari K，Ladicky L，et al.Combining appearance and structure frommotion features for road scene understanding[J].2009.

[7] Alvarez J M，Gevers T， LeCun Y， et al. Road scene segmentation from a singleimage[M]//Alvarez J M，Gevers T，LeCun Y，et al.Computer Vision–ECCV 2012.Springer， 2012：376-389.

[8] Kong H， Audibert J-Y， Ponce J. Vanishing point detection for road detection[C]// Computer Vision and Pattern Recognition，IEEE Conference on，2009：96-103..

[9] Alvarez J M， Gevers T， Lopez A M.3d scene priors for road detection[C]// Computer Visionand Pattern Recognition （CVPR）， Conference on，pages2010：57-64.