王新晴，孟凡杰，呂高旺，任國(guó)亭

(解放軍理工大學(xué) 野戰(zhàn)工程學(xué)院，南京 210007)

基于PCA-SVM準(zhǔn)則改進(jìn)區(qū)域生長(zhǎng)的非結(jié)構(gòu)化道路識(shí)別

王新晴，孟凡杰*，呂高旺，任國(guó)亭

(解放軍理工大學(xué) 野戰(zhàn)工程學(xué)院，南京 210007)

(*通信作者電子郵箱793306433@qq.com)

針對(duì)智能車輛在非結(jié)構(gòu)化道路識(shí)別中需要采用眾多的特征參數(shù)，增加了特征融合識(shí)別難度與計(jì)算復(fù)雜度，并且部分背景與道路區(qū)域存在相似性會(huì)產(chǎn)生道路識(shí)別的誤分、誤判的問(wèn)題，提出了一種基于主成分分析的支持向量機(jī)(PCA-SVM)準(zhǔn)則改進(jìn)區(qū)域生長(zhǎng)的非結(jié)構(gòu)化道路識(shí)別算法。首先，對(duì)非結(jié)構(gòu)化道路顏色、紋理等復(fù)雜特征信息進(jìn)行提取，采用PCA對(duì)提取的特征信息進(jìn)行降維;然后,利用降維后的主元特征對(duì)SVM進(jìn)行訓(xùn)練后作為復(fù)雜道路單元格的分類器。利用道路位置、起始單元格等先驗(yàn)知識(shí)以及道路邊界單元格統(tǒng)計(jì)特征改進(jìn)區(qū)域生長(zhǎng)方法，在單元格生長(zhǎng)時(shí)利用分類器判別，排除誤判區(qū)域。實(shí)際道路檢測(cè)結(jié)果表明，所提算法具有較好的魯棒性，能夠有效識(shí)別非結(jié)構(gòu)化路面區(qū)域。對(duì)比結(jié)果表明，所提算法在保證準(zhǔn)確率的同時(shí)，將10余維復(fù)雜特征信息壓縮為3維主元特征，相比傳統(tǒng)算法可縮短計(jì)算時(shí)間一半以上。針對(duì)背景與道路相似區(qū)域造成的傳統(tǒng)算法10%左右的誤判問(wèn)題，所提算法能夠有效排除。在野外環(huán)境下基于視覺(jué)的局部路徑規(guī)劃與導(dǎo)航方面，所提算法為縮短識(shí)別時(shí)間、排除背景干擾提供了可行途徑。

支持向量機(jī)；主成分分析；區(qū)域生長(zhǎng)；非結(jié)構(gòu)化道路識(shí)別；智能車輛

0 引言

近年來(lái)，隨著無(wú)人駕駛系統(tǒng)需求的增長(zhǎng)，基于機(jī)器視覺(jué)的道路識(shí)別技術(shù)成為研究的熱點(diǎn)[1-5]。在道路識(shí)別中，一般將道路分為結(jié)構(gòu)化道路和非結(jié)構(gòu)化道路，目前結(jié)構(gòu)化道路識(shí)別技術(shù)相對(duì)成熟。在軍事上，各類陸地裝備多在條件惡劣環(huán)境下工作;在民用方面，農(nóng)用機(jī)械等工況多為野外，因此野外條件下的非結(jié)構(gòu)化道路識(shí)別在軍用和民用方面，均具有重要意義。

非結(jié)構(gòu)化道路具有道路與環(huán)境變量復(fù)雜、影響因素多的特性，室外環(huán)境下非結(jié)構(gòu)化道路的檢測(cè)與障礙物識(shí)別是一個(gè)十分復(fù)雜的問(wèn)題，多特征融合識(shí)別成為趨勢(shì)，例如：文獻(xiàn)[6-10]中，利用二維熵和輪廓等特征組合對(duì)非結(jié)構(gòu)化道路進(jìn)行檢測(cè)；文獻(xiàn)[11-14]中，利用機(jī)器學(xué)習(xí)的方式對(duì)非結(jié)構(gòu)化道路進(jìn)行檢測(cè)。針對(duì)復(fù)雜的特征向量運(yùn)算量大的問(wèn)題，特征壓縮和分塊計(jì)算勢(shì)在必行，如：文獻(xiàn)[15-17]利用主成分分析(Principal Component Analysis, PCA)對(duì)復(fù)雜特征向量進(jìn)行壓縮；文獻(xiàn)[18-19]中，算法均采用分塊計(jì)算。針對(duì)非結(jié)構(gòu)化道路背景與道路存在相似區(qū)域的影響，目前行業(yè)內(nèi)使用基于模板與區(qū)域生長(zhǎng)等具有先驗(yàn)知識(shí)的算法，例如文獻(xiàn)[20-22]利用區(qū)域生長(zhǎng)進(jìn)行圖像分割。

區(qū)域生長(zhǎng)以“種子點(diǎn)”向外延伸的生長(zhǎng)方式，可有效避免識(shí)別區(qū)域外的干擾，但針對(duì)非結(jié)構(gòu)化道路，傳統(tǒng)區(qū)域生長(zhǎng)算法隨機(jī)性大、“種子點(diǎn)”難確定、識(shí)別后邊界模糊。鑒于上述問(wèn)題，文本研究并提出了一種基于主成分分析的支持向量機(jī)(Support Vector Machine based on Principal Component Analysis, PCA-SVM)準(zhǔn)則改進(jìn)區(qū)域生長(zhǎng)的非結(jié)構(gòu)化道路識(shí)別算法，對(duì)道路以單元格的方式進(jìn)行復(fù)雜特征提取后，采用PCA對(duì)道路特征降維，利用主元特征訓(xùn)練SVM，改進(jìn)原有區(qū)域生長(zhǎng)算法并以PCA-SVM為生長(zhǎng)準(zhǔn)則對(duì)非結(jié)構(gòu)化道路進(jìn)行識(shí)別。所提算法更符合人眼識(shí)別道路“由近及遠(yuǎn)”的特點(diǎn)，能夠更有效地識(shí)別非結(jié)構(gòu)化道路，排除環(huán)境中與路面特征相似區(qū)域的干擾。

1 PCA-SVM算法

1.1 PCA基本理論

PCA是一種基于Karhunen-loeve變換原理的統(tǒng)計(jì)分析方法，其目的是將原數(shù)據(jù)投影為一個(gè)新空間的較少變量，用該空間變量表示原來(lái)的數(shù)據(jù),以達(dá)到數(shù)據(jù)降維的目的。令x表示為空間中m維隨機(jī)向量，ω表示為m維單位向量，x在其上的投影為y,則y可表示為x與ω的內(nèi)積：

其中ω滿足約束條件：

主成分分析的目的就是要找到權(quán)值向量ω，使表達(dá)式E(y2)值最大化，E(y2)可表達(dá)為：

E(y2)=E[(ωTx)2]=ωTE[xxT]ω=ωTCxω

由線性代數(shù)理論可知，為了使E(y2)值最大化，ω應(yīng)滿足：

Cxωj=λjωj；j=1,2,…

即ω是矩陣Cx的最大特征值對(duì)應(yīng)的特征向量。

1.2 二分類SVM

SVM是一種機(jī)器學(xué)習(xí)方法，其基礎(chǔ)是Vapnik創(chuàng)建的統(tǒng)計(jì)學(xué)習(xí)理論(StatisticalLearningTheory,SLT)。針對(duì)非結(jié)構(gòu)化道路，可簡(jiǎn)化為二分類問(wèn)題，SVM以訓(xùn)練誤差最優(yōu)化為約束條件，通過(guò)置信范圍最小化進(jìn)行分類。訓(xùn)練樣本集如下：

式中：yi為降維后的數(shù)據(jù)樣本向量；zi為樣本標(biāo)簽，zi=1和zi=-1分別代表兩類數(shù)據(jù)樣本；P為降維后的數(shù)據(jù)樣本空間。在利用SVM進(jìn)行分類時(shí)，絕大多數(shù)問(wèn)題都是非線性的，這時(shí)需要采用滿足Mercer條件的核函數(shù)K(y,yi)將輸入向量映射到高維特征空間中，變成線性可分的數(shù)據(jù)向量。常用的核函數(shù)有：線性核函數(shù)(Liner Kernel)、多項(xiàng)式核函數(shù)(Polynomial Kernel)、徑向基核函數(shù)(Radical Basis Function, RBF)、Sigmoid核函數(shù)，其表達(dá)式分別為：

K(y,yi)LINEAR=yyi

K(y,yi)POLY=(yyi+1)d

K(y,yi)RBF=exp(-‖y-yi‖2/(2σ2))

K(y,yi)Sigmoid=tanh(k(yyi)+θ)

投影后，轉(zhuǎn)化為線性可分問(wèn)題，采用最優(yōu)分類函數(shù)對(duì)訓(xùn)練樣本進(jìn)行分類，最優(yōu)分類函數(shù)表達(dá)式為：

f(x)=sgn(ω′·x+b)

則兩類樣本間距離為D=2|ω′xi+b|/‖ω‖，若取間隔ε=|ω′xi+b|=1，則當(dāng)滿足式(1)時(shí)，有最大樣本距離D，即所得最優(yōu)分類平面。

min ‖ω′‖2/2

(1)

s.t.yi(ω′xi+b)-1≥0,?i

1.3PCA-SVM分類識(shí)別方法

基于PCA-SVM的分類識(shí)別方法主要包含兩個(gè)過(guò)程，即訓(xùn)練過(guò)程和測(cè)試(使用)過(guò)程。為提高算法效率，無(wú)論是訓(xùn)練或測(cè)試過(guò)程，對(duì)圖像集皆采用分塊的方式進(jìn)行單元識(shí)別。首先對(duì)圖像單元格進(jìn)行特征抽取，包括顏色、紋理等10余種，特征集X可表示為：

X=[x1,x2,…,xn]

其中：x1,x2,…,xn為m維列向量，代表不同圖像單元的特征值,則特征集X的大小為m×n。對(duì)特征集X進(jìn)行主元分析后，得到的主元特征矩陣Y可表示為：

Y=[y1,y2,…,yl]=ωTX

其中：y1,y2,…,yl為m維列向量，代表不同圖像單元的主元特征值。主元特征集Y的大小為m×l(l?n),利用主元特征向量構(gòu)造訓(xùn)練樣本集：

其中：Z為標(biāo)簽值列向量，zi=1和zi=-1分別代表兩類數(shù)據(jù)樣本。PCA-SVM分類器訓(xùn)練、測(cè)試過(guò)程如圖1所示。

圖1 PCA-SVM訓(xùn)練與測(cè)試流程

2 單元格特征提取與壓縮

圖像特征的提取和選擇是影響后續(xù)處理與分析的關(guān)鍵因素,其主要包括顏色、紋理、形狀等。在進(jìn)行特征提取前，對(duì)圖像進(jìn)行大小歸一化預(yù)處理，處理后圖像大小為640×480。非結(jié)構(gòu)化道路沒(méi)有規(guī)則的形狀，因此形狀特征不適合區(qū)分非結(jié)構(gòu)化路面與環(huán)境信息。顏色、紋理是非結(jié)構(gòu)化路面區(qū)別于環(huán)境的主要特征。在PCA-SVM訓(xùn)練過(guò)程，道路樣本選取在車輛正前方，環(huán)境樣本選取隨機(jī)環(huán)境區(qū)域，樣本單元格選取如圖2所示。

在顏色特征提取方面，選擇了符合人的視覺(jué)感知的HSV模型。HSV模型通過(guò)對(duì)顏色的色度(Hue)、飽和度(Saturation)和亮度(Value)進(jìn)行描述，與人類視覺(jué)接近。HSV模型通過(guò)亮度分量V和色度分量H分開(kāi)表示的方式，能夠有效避免因光照不均勻而帶來(lái)圖像彩色不均勻的影響。

圖2 樣本選取

在紋理特征提取方面，利用灰度共生矩陣(GrayLevelCo-occurrenceMatrix,GLCM)得到圖像關(guān)于排列規(guī)則和局部模式的特征，Haralick等[23]根據(jù)GLCM定義了14個(gè)可以用于紋理分析的特征參數(shù)。對(duì)單元格進(jìn)行上述特征參數(shù)和粗糙度、對(duì)比度提取后利用PCA降維，在保證貢獻(xiàn)率為0.97時(shí)，取得前三項(xiàng)主元y1、y2、y3。部分路面與環(huán)境區(qū)域主元特征值如表1所示，其中：標(biāo)簽值“1”為路面區(qū)域，“-1”為環(huán)境區(qū)域。

表1 部分路面主元特征

3 PCA-SVM準(zhǔn)則區(qū)域生長(zhǎng)

區(qū)域生長(zhǎng)的基本思想是將具有相似性質(zhì)的像素集合起來(lái)構(gòu)成區(qū)域[18]。傳統(tǒng)區(qū)域生長(zhǎng)首先對(duì)每個(gè)需要分割的區(qū)域找到一個(gè)種子像素作為生長(zhǎng)的起點(diǎn)，根據(jù)事先確定的生長(zhǎng)或相似準(zhǔn)則將種子周圍鄰域中與種子像素有相同或相似性質(zhì)的像素，合并到種子像素所在的區(qū)域中，將這些新像素當(dāng)作新的種子像素循環(huán)上面的過(guò)程，直到再?zèng)]有滿足條件的像素[17]。常采用的生長(zhǎng)準(zhǔn)則有：灰度差準(zhǔn)則、灰度分布統(tǒng)計(jì)準(zhǔn)則、區(qū)域形狀準(zhǔn)則。 這種生長(zhǎng)方式種子點(diǎn)選取對(duì)結(jié)果影響大，且采用單一準(zhǔn)則魯棒性差。

針對(duì)上述問(wèn)題，本文提出一種改進(jìn)區(qū)域生長(zhǎng)算法。首先定義區(qū)域生長(zhǎng)單元：即區(qū)域生長(zhǎng)過(guò)程中，每次生長(zhǎng)和識(shí)別的最小單元。如圖3所示，區(qū)域生長(zhǎng)單元應(yīng)滿足如下條件：

1)每個(gè)區(qū)域生長(zhǎng)單元可沿8個(gè)方向向鄰域內(nèi)生長(zhǎng)，不能生長(zhǎng)至已生長(zhǎng)區(qū)域，如圖3(a)。

2)每個(gè)單元在滿足生長(zhǎng)準(zhǔn)則時(shí)，成為下一種子單元，當(dāng)判定為不滿足生長(zhǎng)準(zhǔn)則時(shí)，判定為終止單元(即結(jié)束單元)如圖3(b)。

圖3 改進(jìn)的區(qū)域生長(zhǎng)單元及傳遞過(guò)程

3.1 初始種子單元選定

根據(jù)汽車最小半徑理論可知，車輛在行駛過(guò)程中，在通道寬度內(nèi)，存在恒定視野區(qū)域。根據(jù)“車在路上”這一先決位置信息，可以確定車前以車寬為其中一邊、另外兩邊邊長(zhǎng)為D*的等腰三角形區(qū)域內(nèi)為機(jī)器視覺(jué)道路特征選取最佳區(qū)域。如圖4陰影區(qū)域，其中D*滿足:

式中：d為前懸尺寸；l為軸距；r為汽車環(huán)形內(nèi)半徑；b為汽車寬度；r1為汽車最小轉(zhuǎn)彎半徑；n為前輪距。

圖4 汽車最小半徑示意圖

在最佳區(qū)域內(nèi)，選取一個(gè)32×32大小集合，作為初始種子單元，可保證初始種子單元位于路面區(qū)域，避免隨機(jī)選取造成的誤差。

3.2PCA-SVM準(zhǔn)則區(qū)域生長(zhǎng)過(guò)程

以PCA-SVM作為區(qū)域生長(zhǎng)過(guò)程的生長(zhǎng)準(zhǔn)則，針對(duì)某一道路模型，融合PCA-SVM準(zhǔn)則具體生長(zhǎng)流程為：

1)在最佳區(qū)域內(nèi)，隨機(jī)選取一個(gè)32×32大小集合，作為初始種子單元；

2)以種子單元(str)為中心，在不重復(fù)條件下取同等大小的鄰域單元(32×32)；

3)將鄰域單元進(jìn)行特征提取并PCA降維后，送入預(yù)訓(xùn)練的SVM分類器進(jìn)行分類；

4)若鄰域單元為“道路類”，則以該單元為種子單元(str)，返回到步驟2)，若鄰域單元為“環(huán)境類”，則該單元為終止單元(stp)；

5)繼續(xù)掃描直到不能發(fā)現(xiàn)種子單元有可生長(zhǎng)鄰域，則結(jié)束整個(gè)生長(zhǎng)過(guò)程。

初始種子生長(zhǎng)單元個(gè)數(shù)為1，在步驟4)中，后續(xù)種子單元與終止單元個(gè)數(shù)不一定為1，這樣可保證快速?gòu)浡磷畲髤^(qū)域，提高算法效率。選取線性核函數(shù)，生長(zhǎng)過(guò)程如圖5所示。

圖5 生長(zhǎng)過(guò)程示意圖

4 道路實(shí)驗(yàn)與分析

本文算法完整流程為：獲得圖像集后，對(duì)圖像進(jìn)行分塊預(yù)處理，構(gòu)建訓(xùn)練集，對(duì)訓(xùn)練集樣本進(jìn)行特征提取，將提取的特征進(jìn)行PCA降維后輸入?yún)?shù)優(yōu)化好的SVM進(jìn)行訓(xùn)練，構(gòu)造PCA-SVM分類器；由改進(jìn)區(qū)域生長(zhǎng)確定鄰域單元位置，以鄰域單元作為測(cè)試樣本，對(duì)測(cè)試樣本進(jìn)行同等參數(shù)的特征提取后，輸入PCA-SVM分類器中，根據(jù)識(shí)別結(jié)果判定該位置是否為“道路”類，將多個(gè)單元識(shí)別后放回原位置，直至生長(zhǎng)完畢后，將輸出的道路區(qū)域與環(huán)境區(qū)域重組，輸出識(shí)別結(jié)果。

實(shí)驗(yàn)采用IntelCorei5CPU@ 2.53GHzCPU、4GB內(nèi)存、Windows7(32位)操作系統(tǒng)為開(kāi)發(fā)環(huán)境，通過(guò)Flycapture車載單目成像設(shè)備，對(duì)野外非結(jié)構(gòu)化和半非結(jié)構(gòu)化等復(fù)雜道路在行車過(guò)程中進(jìn)行640×480大小圖像幀采集，自建非結(jié)構(gòu)化道路數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)，數(shù)據(jù)庫(kù)包含非結(jié)構(gòu)化路段300余種, 能夠包含絕大部分路面和環(huán)境種類信息。

本文實(shí)驗(yàn)主要包含兩組對(duì)比實(shí)驗(yàn): 1)傳統(tǒng)基于像素值區(qū)域生長(zhǎng)算法與PCA-SVM準(zhǔn)則改進(jìn)區(qū)域生長(zhǎng)識(shí)別效果對(duì)比;2)單獨(dú)基于PCA-SVM算法與PCA-SVM準(zhǔn)則改進(jìn)區(qū)域生長(zhǎng)識(shí)別效果對(duì)比。部分實(shí)驗(yàn)結(jié)果對(duì)比如圖6所示。

圖6 典型非結(jié)構(gòu)化道路實(shí)驗(yàn)對(duì)比結(jié)果

4.1 算法識(shí)別效果對(duì)比

通過(guò)構(gòu)造樣本訓(xùn)練，實(shí)驗(yàn)利用PCA-SVM分類器采用線性核函數(shù)，準(zhǔn)確率為98.3%。針對(duì)圖6所示半結(jié)構(gòu)化道路2個(gè)示例，3種識(shí)別算法均能有效識(shí)別出非結(jié)構(gòu)化路面區(qū)域，但基于PCA-SVM和改進(jìn)算法識(shí)別的道路區(qū)域更加完整，邊界更明顯；針對(duì)圖6復(fù)雜的非結(jié)構(gòu)化道路4個(gè)示例，傳統(tǒng)區(qū)域生長(zhǎng)造成較大的錯(cuò)誤識(shí)別區(qū)域，PCA-SVM算法能夠完整識(shí)別路面區(qū)域，但存在較多的誤判區(qū)域，誤判區(qū)域的形成，并不是分類器準(zhǔn)確率問(wèn)題，而是由于環(huán)境中存在與路面相近的區(qū)域。本文算法針對(duì)非結(jié)構(gòu)化道路有較好的識(shí)別效果，有效避免了誤判區(qū)域。

4.2 算法誤判率和耗時(shí)對(duì)比實(shí)驗(yàn)

本文給出誤判率定義: 實(shí)驗(yàn)圖片中, 識(shí)別出非結(jié)構(gòu)化路面之外區(qū)域面積占非結(jié)構(gòu)化路面區(qū)域的比例。誤判率μ的計(jì)算式為:

μ=(S總-S路)/S路

式中：S總代表算法識(shí)別出區(qū)域總面積；S路代表非結(jié)構(gòu)化路面區(qū)域面積。 表2為不同算法識(shí)別正確率、誤判率和耗時(shí)對(duì)比結(jié)果。

表2 不同算法性能對(duì)比

由表2可知，傳統(tǒng)算法、PCA-SVM算法和本文算法在識(shí)別正確率方面, 單獨(dú)使用PCA-SVM的算法和本文算法明顯高于傳統(tǒng)算法；在算法識(shí)別時(shí)間上，采用單元識(shí)別的機(jī)器學(xué)習(xí)的算法在識(shí)別時(shí)間上遠(yuǎn)遠(yuǎn)少于基于像素值的傳統(tǒng)識(shí)別算法，本文算法在識(shí)別時(shí)間上稍長(zhǎng)于單獨(dú)使用PCA-SVM算法；但在誤判率方面, 本文算法相比于傳統(tǒng)基于像素值算法和單獨(dú)使用PCA-SVM算法能夠有效減少非結(jié)構(gòu)化路面區(qū)域外的誤判識(shí)別結(jié)果。實(shí)驗(yàn)驗(yàn)證了本文改進(jìn)算法能夠有效識(shí)別非結(jié)構(gòu)化道路，在減少誤判率方面有明顯改進(jìn)。

5 結(jié)語(yǔ)

針對(duì)非結(jié)構(gòu)化道路特征多、融合識(shí)別困難、環(huán)境與路面存在相似區(qū)域容易造成誤判區(qū)域等問(wèn)題，提出了基于PCA-SVM準(zhǔn)則的改進(jìn)區(qū)域生長(zhǎng)算法，實(shí)現(xiàn)了復(fù)雜多維特征的主元特征提取以及基于主元特征提取后的SVM單元融合識(shí)別方法，以PCA-SVM分類器作為改進(jìn)區(qū)域生長(zhǎng)準(zhǔn)則，排除了復(fù)雜非結(jié)構(gòu)化道路環(huán)境內(nèi)相似區(qū)域的影響，有效識(shí)別了非結(jié)構(gòu)化道路路面區(qū)域。

對(duì)比實(shí)驗(yàn)結(jié)果表明，本文方法相比于傳統(tǒng)算法在識(shí)別正確率、減少誤判和減少耗時(shí)上有明顯優(yōu)勢(shì)，基于單元格分類器基礎(chǔ)上的改進(jìn)區(qū)域生長(zhǎng)算法能夠排除誤判區(qū)域,但對(duì)于環(huán)境更為復(fù)雜的情況，該算法還需要進(jìn)一步的改進(jìn)。非結(jié)構(gòu)化道路識(shí)別是一個(gè)極為復(fù)雜的問(wèn)題，后續(xù)還需要對(duì)其中某些技術(shù)難題進(jìn)行更深入的研究。

)

[1]HILLELAB,LERNERR,LEVID,etal.Recentprogressinroadandlanedetection:asurvey[J].MachineVisionandApplications, 2014, 25(3): 727-745.

[2] 高華,劉濟(jì)林.車輛視頻導(dǎo)航中道路檢測(cè)方法研究進(jìn)展[J].傳感器與微系統(tǒng),2012,31(1):1-3,6.(GAOH,LIUJL.Researchprogressonroaddetectionmethodinvideonavigationforvehicle[J].TransducerandMicrosystemTechnologies, 2012, 31(1): 1-3, 6.)

[3] 龔建偉,葉春蘭,姜巖,等.多層感知器自監(jiān)督在線學(xué)習(xí)非結(jié)構(gòu)化道路識(shí)別[J].北京理工大學(xué)學(xué)報(bào),2014,34(3):261-266.(GONGJW,YECL,JIANGY,etal.Unstructuredroadrecognitionusingself-supervisedmultilayerperceptrononlinelearningalgorithm[J].TransactionsofBeijingInstituteofTechnology, 2014, 34(3): 261-266)

[4] 王曉彬,馬戎,付維平.基于支持向量機(jī)的非結(jié)構(gòu)化道路檢測(cè)[J].科學(xué)技術(shù)與工程,2011,11(36):9106-9109.(WANGXB,MAR,FUWP.Unstructuredroaddetectionbasedonsupportvectormachine[J].ScienceTechnologyandEngineering, 2011, 11(36): 9106-9109.)

[5] 李青,鄭南寧，馬琳，等.基于主元神經(jīng)網(wǎng)絡(luò)的非結(jié)構(gòu)化道路跟蹤[J].機(jī)器人,2005,27(3):247-251.(LIQ,ZHENGNN,MAL,etal.Trackingofunstructuredroadbasedonprincipalcomponentanalysisneuralnetworks[J].Robot, 2005, 27(3): 247-251.)

[6] 郭秋梅,黃玉清.基于二維熵和輪廓特征的非結(jié)構(gòu)化道路檢測(cè)[J].計(jì)算機(jī)應(yīng)用,2013,33(7):2005-2008.(GUOQM,HUANGYQ.Unstructuredroaddetectionbasedontwo-dimensionalentropyandcontourfeatures[J].JournalofComputerApplications, 2013, 33(7): 2005-2008.)

[7]MCCALLJC,TRIVEDIMM.Video-basedlaneestimationandtrackingfordriverassistance:survey,system,andevaluation[J].IEEETransactionsonIntelligentTransportationSystems, 2006, 7(1): 20-37.

[8] 王科,黃智,鐘志華.基于多特征融合的道路理解方法[J].中國(guó)公路學(xué)報(bào),2013,26(4):176-183.(WANGK,HUANGZ,ZHONGZH.Multi-featurefusionbasedlaneunderstandingalgorithm[J].ChinaJournalofHighwayandTransport, 2013, 26(4): 176-183.)

[9]WANGYF,DOHNOUNN,ACHIMA.Anovelsystemforrobustlanedetectionandtracking[J].SignalProcessing, 2012, 92(2): 319-344.

[10]BAIL,WANGY.Roadtrackingusingpartialfilterswithpartitionsamplingandauxiliaryvariables[J].ComputerVisionandImageUnderstanding, 2011, 115(10): 1463-1471.

[11] 高國(guó)琴,李明.基于K-means算法的溫室移動(dòng)機(jī)器人導(dǎo)航路徑識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(7):25-33.(GAOGQ,LIM.NavigatingpathrecognitionforgreenhousemobilerobotbasedonK-meansalgorithm[J].TransactionsoftheChineseSocietyofAgriculturalEngineering, 2014, 30(7): 25-33.)

[12]MALDONADO-BASCONS,LAFUENTE-ARROYOS,GIL-JIMENEZP,etal.Road-signdetectionandrecognitionbasedonsupportvectormachines[J].IEEETransactionsonIntelligentTransportationSystems, 2007, 8(2):264-278.

[13]KUMARASWYR,PRABHULV,SUCHITHRAK,etal.SVMbasedclassificationoftrafficsignsforreal-timeembeddedplatform[C]//ProceedingsoftheFirstInternationalConferenceonAdvancesinComputingandCommunications,CCIS193.Berlin:Springer, 2011: 339-348.

[14] 楊力,劉濟(jì)林.基于非監(jiān)督特征學(xué)習(xí)的分叉道路檢測(cè)算法[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),2014,48(9):1558-1563.(YANGL,LIUJL.Roaddetectionalgorithmforcrossroadbasedonunsupervisedfeaturelearning[J].JournalofZhejiangUniversity(EngineeringScience), 2014, 48(9): 1558-1563.)

[15] 朱志潔,張宏偉,韓軍,等.基于PCA-BP神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)研究[J].中國(guó)安全科學(xué)學(xué)報(bào),2013,23(4):45-50.(ZHUZJ,ZHANGHW,HANJ,etal.PredictionofcoalandgasoutburstbasedonPCA-BPneuralnetwork[J].ChinaSafetyScienceJournal, 2013, 23(4): 45-50.)

[16] 劉雙印,徐龍琴,李振波,等.基于PCA-MCAFA-LSSVM的養(yǎng)殖水質(zhì)pH值預(yù)測(cè)模型[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2014,45(5):239-246.(LIUSY,XULQ,LIZB,etal.ForecastingmodelforpHvalueofaquaculturewaterqualitybasedonPCA-MCAFA-LSSVM[J].TransactionsoftheChineseSocietyofAgriculturalMachinery, 2014, 45(5): 239-246.)

[17] 王麗榮,王建蕾.基于主成分分析的唇部輪廓建模[J].光學(xué)精密工程,2012,20(12):2768-2772.(WANGLR,WANGJL.LipcontourmodelingbasedonPCA[J].OpticsandPrecisionEngineering, 2012, 20(12): 2768-2772.)

[18] 操小文,薄華.基于卷積神經(jīng)網(wǎng)絡(luò)的手勢(shì)識(shí)別研究[J].微型機(jī)與應(yīng)用,2016,35(9):55-57.(CAOXW,BOH.StudyongesturerecognitionbasedonCNN[J].Microcomputer&ItsApplications, 2016, 35(9): 55-57.)

[19] 崔巍,楊健,常合友.基于多通道卷積神經(jīng)網(wǎng)絡(luò)的非結(jié)構(gòu)化道路路表分析[J].計(jì)算機(jī)應(yīng)用與軟件,2016,33(1):159-162.(CUIW,YANGJ,CHANGHY.Analyzingterrainofunstructuredroadbasedonmulti-channelconvolutionneuralnetwork[J].ComputerApplicationsandSoftware, 2016, 33(1): 159-162.)

[20] 倪鼎,馬洪兵.基于區(qū)域生長(zhǎng)的多源遙感圖像配準(zhǔn)[J].自動(dòng)化學(xué)報(bào),2014,40(6):1058-1067.(NID,MAHB.Automaticregistrationofmulti-sourceremotesensingimagesbasedonregiongrowing[J].ActaAutomaticaSinica, 2014, 40(6): 1058-1067.)

[21] 楊家紅,劉杰,鐘堅(jiān)成,等.結(jié)合分水嶺與自動(dòng)種子區(qū)域生長(zhǎng)的彩色圖像分割算法[J].中國(guó)圖象圖形學(xué)報(bào),2010,15(1):63-68.(YANGJH,LIUJ,ZHONGJC,etal.Acolorimagesegmentationalgorithmbyintegratingwatershedwithautomaticseededregiongrowing[J].JournalofImageandGraphics, 2010, 15(1): 63-68.)

[22] 余潔,余峰,張晶,等.結(jié)合區(qū)域生長(zhǎng)與道路基元的高分辨率遙感影像道路提取[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2013,38(7): 761-765.(YUJ,YUF,ZHANGJ,etal.Highresolutionremotesensingimageroadextractioncombiningregiongrowingandroad-unit[J].GeomanticandInformationScienceofWuhanUniversity, 2013, 38(7): 761-765.)

[23]HARALICKRM,SHANMUGAMK,DINSTEINI.Texturalfeaturesforimageclassification[J].IEEETransactionsonSystems,ManandCybernetics, 1973, 3(6): 610-621.

ThisworkispartiallysupportedbytheNationalKeyResearchandDevelopmentProgram(2016YFC0802900),theNationalNaturalScienceFoundationofChina(61671470).

WANG Xinqing, born in 1963, Ph. D., professor. His research interest include machinery and electronics, fault diagnosis, computer image and vision, artificial neural network.

MENG Fanjie, born in 1992, M. S. candidate. His research interests include computer image and vision, artificial neural network.

LYU Gaowang, born in 1991, M. S. candidate. His research interests include computer image and vision, artificial neural network.

REN Guoting, born in 1993, M. S. candidate. His research interests include artificial neural network, multi-line laser radar application.

Unstructured road detection based on improved region growing with PCA-SVM rule

WANG Xinqing, MENG Fanjie*, LYU Gaowang, REN Guoting

(CollegeofFieldEngineering,PLAUniversityofScienceandTechnology,NanjingJiangsu210007,China)

Intelligent vehicles need to use many characteristic parameters in unstructured road detection, which makes the feature fusion recognition difficult and computation complex, and the similarity of some road area and background may produce the mistake distinguishment and judgement of road identification. In order to solve the problems, an unstructured road detection method based on improved region growing with Principal Component Analysis-Support Vector Machine (PCA-SVM) rule was proposed. Firstly, the complex characteristic parameters such as color and texture of unstructured road were extracted, and then the PCA was used to reduce the dimension of the extracted characteristic information. The SVM trained with the primary characteristics reduced by PCA was used to be the classifier of the complex road cells. The priori knowledge such as the location of road, the initial cell and the characteristics of road boundary cells were used to improve the region growing method, and the classifier was used to decide the way of growing in cell growth for eliminating miscalculation area. The test results of actual roads show that, the proposed method has good adaptability and robustness, and can identify the unstructured road area effectively. The comparison results show that, compared with the traditional algorithm, the proposed method can shorten the calculation time by more than half through cutting characteristics from ten dimensions to three dimensions in ensuring the accuracy at the same time. The proposed method can also eliminate the 10% of miscalculation areas made by some similar areas of road and background for the traditional algorithm. The proposed method can provide a feasible way to shorten the recognition time and eliminate background interference in local path planning and navigation based on vision in the wild environment.

Support Vector Machine (SVM); Principal Component Analysis (PCA); region growing; unstructured road detection; intelligent vehicle

2016- 11- 02;

2016- 12- 21。

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2016YFC0802900)；國(guó)家自然科學(xué)基金資助項(xiàng)目(61671470)。

王新晴(1963—)，男，江蘇泰州人，教授，博士，主要研究方向：機(jī)械電子、故障診斷、計(jì)算機(jī)圖像和視覺(jué)、人工神經(jīng)網(wǎng)絡(luò)；孟凡杰(1992—)，男，遼寧遼陽(yáng)人，碩士研究生，主要研究方向：計(jì)算機(jī)圖像和視覺(jué)、人工神經(jīng)網(wǎng)絡(luò)； 呂高旺(1991—)，男，江蘇徐州人，碩士研究生，主要研究方向：計(jì)算機(jī)圖像和視覺(jué)、人工神經(jīng)網(wǎng)絡(luò)； 任國(guó)亭(1993—)，男，內(nèi)蒙古烏蘭察布人，碩士研究生，主要研究方向：人工神經(jīng)網(wǎng)絡(luò)、多線激光雷達(dá)應(yīng)用。

1001- 9081(2017)06- 1782- 05

10.11772/j.issn.1001- 9081.2017.06.1782

TP391.4

A