黃妙華，黎 洲,吳益鵬

(1.武漢理工大學 現(xiàn)代汽車零部件技術湖北省重點實驗室,湖北 武漢 430070;2.武漢理工大學 汽車零部件技術湖北省協(xié)同創(chuàng)新中心,湖北 武漢 430070)

無人駕駛是汽車發(fā)展的一大趨勢，成熟的無人駕駛技術不僅可以降低事故率，還可以減少城市交通擁堵的情況，這對解決國內城市的交通擁堵情況是極其有利的。在進行無人駕駛研究的過程中，對道路進行自動識別是必須完成的工作。道路分為結構化道路和非結構化道路兩類，結構化道路具有清晰明確的車道線標志，故基于結構化道路的識別檢測技術較非結構化道路的識別技術更為成熟。在現(xiàn)實生活中，結構化道路一般只存在于高速公路、一級公路以及部分二級公路，大多數(shù)道路為非結構化道路，故研究基于非結構化道路的識別檢測具有更加重要的意義。非結構化道路一般指沒有車道線或者道路邊界不清晰的道路，并受陰影和水跡的影響，道路區(qū)域和非道路區(qū)域難以區(qū)分的道路。目前國內外對非結構化道路的檢測算法還處于研究階段[1]。

從相關文獻來看，目前基于非結構化道路識別的算法主要分為3類：基于道路特征分割的方法[2-4]，基于道路模型匹配的方法[5-6]，基于神經(jīng)網(wǎng)絡等深度學習的方法[7-8]。3類方法各有特點，基于道路特征分割的方法需要的先驗知識較少，但計算量較大；基于道路模型匹配的方法僅能對已有的道路模型進行快速反應；基于神經(jīng)網(wǎng)絡等深度學習的方法需要大量訓練樣本集來適應復雜的路面情況。

為保證本文算法更具有說服力，文中所采用的實驗圖片均來自KITTI數(shù)據(jù)庫，如圖1所示。KITTI是德國卡爾斯魯厄理工學院和芝加哥豐田技術研究所聯(lián)合創(chuàng)辦的一個算法測試平臺，目的是評測對象(機動車、非機動車、行人等)檢測、目標跟蹤等計算機視覺技術在車載環(huán)境下的性能，為機動車輔助駕駛應用做技術評估與技術儲備。

圖1 KITTI數(shù)據(jù)庫圖片

根據(jù)KITTI測試庫圖片，提取出以下幾個比較接近實際的特征。

(1)車輛前方為道路，且道路在圖片中央。

(2)圖片上面1/3部分為天空、建筑物等非道路。

(3)車道邊緣在單目攝像機拍攝的圖片中呈現(xiàn)大約為45°(左車道邊緣線)和135°(右車道邊緣線)。

在上述3個特征的基礎上，筆者提出了一種基于多算法融合的非結構化道路識別算法。

紋理是圖像處理和模式識別的主要特征之一。紋理不同于灰度、顏色等圖像特征，它通過像素及其周圍空間鄰域的灰度分布來表現(xiàn)，是存在于圖像中一定范圍內的形狀很小的、半周期性或周期性地排列的圖案，它體現(xiàn)了物體表面結構組織的排列屬性。在圖像識別中使用紋理表示圖像的均勻、細致、粗糙等情況。圖像的紋理特征反映了圖像本身的屬性，有助于圖像的區(qū)分。

先將單目攝像機拍攝的彩色圖片作為處理對象，避免了3D視覺系統(tǒng)中復雜的圖像配準問題，降低了系統(tǒng)的硬件配置要求。該算法首先對圖片進行兩方向四尺度的Gabor變換，對變換后的8張圖片進行能量累積并歸一化進行邊緣紋理特征的加強。然后對紋理結果圖進行Otsu算法分割，分割后的圖片經(jīng)過形態(tài)學處理和邊緣檢測，最后將檢測到的邊緣點用隨機抽樣一致性算法(Ransac)進行道路邊線擬合。其識別流程如圖2所示。

1 非結構化道路檢測算法融合

1.1 圖片預處理

為降低圖片中的噪聲量，改進圖片質量，增強感興趣區(qū)域有用信息的可檢測性，需要對圖片進行預處理。

根據(jù)“圖片上面1/3部分為天空、建筑物等非道路”這一特征，直接將上面1/3部分的像素去除，這樣可以降低計算量提高實時性；然后選擇中值濾波對原始圖像進行處理，由于二維中值濾波的窗口大小會對濾波效果和實時性產(chǎn)生直接的影響，對比之后采用3×3的矩形濾波模塊進行濾波處理；最后根據(jù)“車道邊緣在單目攝像機拍攝的圖片中呈現(xiàn)大約為45°(左車道邊緣線)和135°(右車道邊緣線)”這一特征，在預處理過程中直接設置圖片左上角和右上角為背景色，得到的預處理區(qū)域為一個梯形區(qū)域。處理結果如圖3所示。

圖3 預處理結果圖

1.2 兩方向四尺度能量累積圖的歸一化Gabor變換

Gabor變換是Dennis Gabor 1946年在文獻[9]中提出的。在2D測不準情況下，Gabor變換被證明為對信號空間域和頻率域的最優(yōu)描述。

用Gabor函數(shù)形成的二維Gabor濾波器可在空間域和時間域同時取得最優(yōu)局部化的特征，這樣使得Gabor小波能提供良好的方向選擇和尺度選擇特性，而且對于光照變化不敏感,能夠提供對光照變化良好的適應性。另外，Gabor小波的表達方式與人類視覺系統(tǒng)的響應十分相似，可以很合適地凸顯紋理方向特征。以上特點使得Gabor小波廣泛應用于視覺信息的提取與理解[10]。

二維Gabor濾波器可以表示為：

(1)

其中：

x′=xcosθ+ysinθ

(2)

y′=-xsinθ+ycosθ

(3)

x,y為空間域像素的位置，θ為Gabor濾波器方向，其中x′坐標軸與θ平行，y′坐標軸與θ垂直；λ為高斯函數(shù)的長徑比(沿x′坐標軸的標準差與沿y′坐標軸的標準差之比)，δ為高斯函數(shù)沿y′坐標軸的標準差，用于控制Gabor濾波器的尺度。

(1)可以增強目標紋理的邊緣即車道邊緣線，同時削弱非目標紋理在結果圖像中的顯示。

(2)傳統(tǒng)方法中一般采用4×4或5×8的濾波器模板，筆者采用4×2的濾波器模板，計算量大大減少，提高了實時性，比傳統(tǒng)方法節(jié)省近一半的時間。

(3)在后續(xù)的Otsu分割算法之中，實驗表明，采用歸一化的Gabor紋理結果圖可以減少部分無用雜點。

傳統(tǒng)Gabor處理結果如圖4所示，兩方向四尺度能量累積圖的歸一化Gabor變換的處理結果如圖5所示。圖片經(jīng)過Gabor濾波器處理之后，道路邊緣得到了很大的增強，可以采用Otsu算法對其進行分割。

圖4 傳統(tǒng)的Gabor紋理結果圖

圖5 改進的Gabor紋理結果圖

1.3 最大類間方差法

最大類間方差法是由日本學者大津于1979年提出的,是一種自適應閾值確定方法,又叫大津法,簡稱Otsu。它是按圖像的灰度特性,將圖像分成背景和目標兩部分。背景和目標之間的方差值越大,說明構成圖像的兩部分的差別越大,當部分目標錯分成背景或部分背景錯分成目標都會導致兩部分差別變小。因此從理論上考慮,滿足兩類間方差最大的分割意味著錯分概率最小。

Otsu算法的基本原理如下：

假設用L個灰度等級 [0,1,2，…,L-1]來表示一張圖片，則其灰度概率表達式為：

(4)

式中：pi為灰度等級為i的像素點在圖片中的概率；ni為灰度等級為i的像素點個數(shù)；N為圖片中像素點總數(shù)。

根據(jù)閾值T將圖像中的像素點劃分為D1和D2兩類，其中，D1類包含圖像灰度等級為[0,1,2，…,T]范圍的所有像素，D2類包含圖像灰度等級為[T+1,T+2，…,L-1]范圍的所有像素。D1和D2兩類的灰度分布概率分別為[12]：

(5)

(6)

則兩類的均值為：

(7)

(8)

整個圖像的灰度均值為：

(9)

兩類的類間方差為：

σ=ω1(μ1-μ)2+ω2(μ2-μ)2

(10)

T在[0,L-1]范圍依次取值，σ最大時候的T即為理論上Otsu閾值分割的最佳閾值。

對Otsu算法分割所得圖像進行開運算的形態(tài)學處理之后，即可對其進行道路邊緣的檢測，Ostu算法分割圖如圖6所示。

圖6 Otsu算法分割圖

1.4 道路邊緣檢測及道路直線擬合

1.4.1 中央發(fā)散式道路邊緣檢測

常見的邊緣檢測算子有Canny算子、Sobel算子、Laplace算子、Reborts算子等。這些算子在特定情況下均能很好地檢測出圖像的邊緣，但在本文中不太適用。原因在于本文只需檢測出道路邊緣而非所有物體的邊緣，若單純使用某一算子不可避免地會得出很多無用的邊緣線，給后面的道路線識別造成極大困難。筆者基于“車輛正前方為道路，且道路在圖片中央”這一特征，提出一種中央發(fā)散式道路邊緣檢測方式。

中央發(fā)散式道路邊緣檢測算法流程如下：

(1)從Otsu算法分割的結果圖正中央開始按行遍歷，分別向左、向右找出第一個邊緣點，確定并存儲其位置。

(2)計算出每行左右邊緣點之間的距離，并進行判斷。若大于所取寬度閾值46像素，則保留該點，若不大于寬度閾值，則刪除該點。

(3)繪制出所存儲的位置點，可得中央發(fā)散式道路邊緣檢測結果，如圖7所示。

圖7 中央發(fā)散式道路邊緣檢測結果

1.4.2 道路直線擬合

在直線擬合算法中，一般有霍夫變換、最小二乘法直線擬合和隨機抽樣一致性算法(Ransac)直線擬合[13-14]?；舴蜃儞Q是圖像處理中識別幾何形狀的基本方法之一，具有一定的抗噪聲干擾能力?；舴蜃儞Q運用兩個坐標空間之間的變換將在一個空間中具有相同形狀的曲線或直線映射到另一個坐標空間的一個點上形成峰值，從而把檢測任意形狀的問題轉化為統(tǒng)計峰值問題。但霍夫變換在直線檢測中經(jīng)常會出現(xiàn)誤判直線的問題，或者出現(xiàn)同一條直線被霍夫變換檢測出多條直線的問題。

最小二乘法直線擬合的思想是將誤差的平方最小化，來尋找數(shù)據(jù)點的最佳直線匹配方法。利用最小二乘法可以簡便地求得所需數(shù)據(jù)，并使得這些求得的數(shù)據(jù)與實際數(shù)據(jù)之間誤差的平方和為最小。但滿足這一結論的前提是獲取的數(shù)據(jù)點均為偏差不大的數(shù)據(jù)。若獲得的數(shù)據(jù)點中有部分無效數(shù)據(jù)，則最小二乘法就失效或者擬合直線偏差較大，不能滿足車道線擬合的精度要求。在道路邊緣點檢測的過程當中，由于道路上可能出現(xiàn)障礙物或者是陰影，從而導致很多圖片中有部分邊緣點為無效邊緣點，因此采用最小二乘法不適合道路邊緣直線的擬合。

由于在道路邊緣點檢測的過程中可能出現(xiàn)部分無效的數(shù)據(jù)，因此采用Ransac算法。一般來說觀測數(shù)據(jù)中包含有效數(shù)據(jù)和無效數(shù)據(jù)，其中有效數(shù)據(jù)近似的被直線所通過，而無效數(shù)據(jù)則遠離于直線。

Ransac算法的基本思路是：通過反復選擇數(shù)據(jù)中的一組隨機子集來達成目標。被選取的子集被假設為有效數(shù)據(jù)，其過程步驟如下：

(1)有一個模型適應于假設的有效數(shù)據(jù)，即所有的未知參數(shù)都能從假設的有效數(shù)據(jù)計算得出。

(2)用(1)中得到的模型去測試所有的其他數(shù)據(jù)，如果某個點適用于估計的模型，認為它也是有效數(shù)據(jù)。

(3)足夠多的點被歸類為假設的有效數(shù)據(jù)，那么估計的模型就足夠合理。

(4)用所有假設的有效數(shù)據(jù)去重新估計模型，因為它僅僅被初始的假設有效數(shù)據(jù)估計過。

(5)通過估計有效數(shù)據(jù)與模型的錯誤率來評估模型。

這個過程被重復執(zhí)行固定的次數(shù)，每次產(chǎn)生的模型要么因為有效數(shù)據(jù)太少而被舍棄，要么因為比現(xiàn)有的模型更好而被選用。該方法較最小二乘法而言，準確性和魯棒性好但實時性差。3種算法獲得的結果圖如表1所示。

表1 三種直線道路擬合算法結果對比

2 實驗結果及分析

為了驗證筆者提出的方法的有效性，對從KITTI數(shù)據(jù)庫下載的289張160像素×480像素的非結構化圖像進行了實驗。實驗所用的硬件配置如下：處理器為Intel(R) Core(TM) i5-3317U，CPU為@1.70 GHz，內存為4 GB，64位操作系統(tǒng)，window版本為Windows 7 旗艦版。算法編寫及調試環(huán)境為MATLAB 2014b，部分實驗結果如圖8所示。

圖8 實驗結果

其中，圖8(a)、圖8(b)代表普通的場景，道路兩邊無靜止車輛且道路上面陰影面積較少，圖8(c)、圖8(d)代表了道路兩旁有車輛影響但無車輛陰影影響的場景，圖8(e)、圖8(f)代表了道路兩旁有車輛影響且有車輛陰影影響的場景。不難發(fā)現(xiàn)，該算法對道路兩旁有靜止車輛、具有陰影的路面具有很好地識別效果。

采用同一個KITTI數(shù)據(jù)集，將筆者提出的方法與基于Otsu、基于二維熵和基于消失點的檢測結果進行對比[15]，檢測結果如表2所示。

表2 檢測結果對比

從表2可以看出，雖然筆者提出的方法耗時較長，但精確度和準確度相比其他幾種方法更具優(yōu)勢，耗時較長的原因主要是Gabor濾波器在運算時運算量巨大。其主要原因包含兩個方面：一是Gabor濾波器在進行紋理特征提取時需要進行卷積操作，二是Gabor特征維數(shù)較高，采用兩方向四尺度的Gabor模板對160像素×480像素的圖像進行操作時，會產(chǎn)生614 400個(160×480×2×4)特征矢量。但只要平均耗時在200 ms以內均可以滿足實時性要求，因此綜合考慮，筆者提出的方法具有一定的實際意義。

3 結論

采用多算法融合來對復雜非結構化道路識別，其主要研究成果如下：

(1)采用改進的Gabor變換來獲取和加強目標紋理特征，使獲得的目標更加清晰，提高整體的識別率，并且較傳統(tǒng)方法減少了近一半的運算量。

(2)提出了一種在Gabor紋理結果圖上進行Otsu法的圖像處理方式，該方式較直接用Otsu處理圖像能夠獲得更好的識別效果。

(3)提出了一種新的邊緣檢測方法，對快速擬合道路邊緣具有一定的借鑒意義。

雖然筆者提出的方法解決了道路兩旁有靜止車輛、具有陰影的非結構化道路的識別問題，但仍然存在一些問題，需要進一步改進。如在道路邊緣擬合時僅考慮了直線擬合，未考慮彎道的擬合，究其原因是尚未發(fā)現(xiàn)一種滿足實時性和準確性的彎道擬合方法。對此還需要進一步努力，使該方法適用的范圍更廣。

[1] 魏武，龔樹鋒.基于機器視覺的非結構化道路檢測算法研究[J].傳感器與微系統(tǒng),2010,29(1)：39-41.

[2] 郭秋梅，黃玉清.基于二維熵和輪廓特征的非結構化道路檢測[J].計算機應用,2013,33(7)：2005-2008.

[3] 管琰平，賀躍，劉培志，等.基于彩色圖像的非結構化道路檢測[J].計算機應用,2005,25(12)：2931-2934.

[4] 劉富，袁雨桐，李洋.基于紋理特征的非結構化道路分割算法[J].計算機應用,2015,35(S2)：271-273.

[5] 陳清華，楊靜宇，陳建亭.基于自適應模板的非結構化道路檢測[J].東南大學學報(自然科學版),2007,37(6)：1102-1107.

[6] 肖良，戴斌，吳濤，等.基于字典學習與稀疏表示的非結構化道路分割方法[J].吉林大學學報(工學版)，2013，43:384-388.

[7] Zhou S Y， Gong J W， Xiong G M， et al． Road Detection Using Support Vector Machine Based on Online Learning [C]∥Proceedings of 2010 IEEE Intelligent Vehicles Symposium． Piscataway: IEEE Press,2010:256-261．

[8] 呂艷鵬，潘玉田.基于BP神經(jīng)網(wǎng)絡的非結構化道路識別[J].機械工程與自動化,2014(3)：178-180.

[9] Gabor D．Theory of Communication-Part 1: the Analysis of Information[J]．Electrical Engineers III，1946，93( 26):429-441．

[10] 陶亮，顧涓涓.實值Gabor變換理論及應用[M].安徽：安徽科學技術出版社，2005.

[11] 徐婉瑩，黃新生，劉育浩，等.一種基于Gabor小波的局部特征尺度提取方法[J].中國圖像圖形學報,2011,16(1)：72-78.

[12] 蔡梅艷，吳慶憲，姜長生.改進Otsu法的目標圖像分割[J].電光與控制,2007,14(6)：118-120.

[13] 鐘鵬飛.基于機器視覺的非結構化道路識別與障礙物檢測研究[D].廣州：華南農(nóng)業(yè)大學，2016.

[14] Bernuy F，Ddl Solar J R， Parra I， et al． Adaptive and Real-time Unpaved Road Segmentation Using Color Histograms and RANSAC[C]∥ Proceeding of 2009 IEEE International Conference on Control and Automation． Piscataway: IEEE Press， 2011:136-141．

[15] Alvarez J M，Gevers T，Lopez A M.3D Scene Priors for Road Detection[C]∥IEEE Conference on Computer Vision and Pattern Recognition.San Francisco，CA:IEEE，2010:57-64．