黃 俊，侯北平，董 霏，吳穎東，劉 宇，王建銘

?

基于方向紋理的非結(jié)構(gòu)化道路消失點(diǎn)檢測(cè)研究

黃 俊，侯北平，董 霏，吳穎東，劉 宇，王建銘

(浙江科技學(xué)院自動(dòng)化與電氣工程學(xué)院，浙江 杭州 310023)

隨著車輛智能化的快速推進(jìn)，道路的自動(dòng)檢測(cè)起著越來(lái)越重要的作用；但非結(jié)構(gòu)化道路由于道路標(biāo)識(shí)和邊界線不明顯，導(dǎo)致檢測(cè)存在困難。將非結(jié)構(gòu)化道路的消失點(diǎn)作為約束進(jìn)行檢測(cè)，可以大幅度提高檢測(cè)性能，針對(duì)現(xiàn)有的非結(jié)構(gòu)化道路消失點(diǎn)檢測(cè)方法普遍存在計(jì)算時(shí)間長(zhǎng)、實(shí)時(shí)性差等缺點(diǎn)，為提高運(yùn)算效率，提出了基于局部方向模式(LDP)紋理特征的消失點(diǎn)檢測(cè)方法。在計(jì)算LDP特征基礎(chǔ)上，利用Kirsch掩模得到像素點(diǎn)的4方向響應(yīng)幅值，并通過(guò)幅值校正減少檢測(cè)誤差；對(duì)校正后的響應(yīng)幅值進(jìn)行計(jì)算得到紋理主方向；使用局部自適應(yīng)軟投票方法進(jìn)行投票，選取道路消失點(diǎn)，實(shí)現(xiàn)消失點(diǎn)檢測(cè)。實(shí)驗(yàn)結(jié)果表明，該方法的速度更快，且能夠準(zhǔn)確檢測(cè)出非結(jié)構(gòu)化道路的消失點(diǎn)。

局部方向模式；消失點(diǎn)檢測(cè)；非結(jié)構(gòu)化道路；局部自適應(yīng)軟投票

隨著智能車輛的快速發(fā)展，道路檢測(cè)也起著越來(lái)越重要的作用。由于特征不同，各類型道路的檢測(cè)方法也不盡相同。高速公路、城市干道一類的結(jié)構(gòu)化道路，可以利用Hough變換[1]及高斯濾波器[2]等方法檢測(cè)明顯的道路標(biāo)識(shí)線和邊緣特征并確定道路區(qū)域。目前，針對(duì)結(jié)構(gòu)化道路的檢測(cè)已經(jīng)比較成熟，而非結(jié)構(gòu)化道路沒(méi)有明顯的車道標(biāo)識(shí)線和邊緣特征，無(wú)法利用該特征進(jìn)行檢測(cè)，并且非結(jié)構(gòu)化道路檢測(cè)容易受到外部條件影響，想要準(zhǔn)確檢測(cè)出道路區(qū)域仍存在著一定困難[3]。

雖然非結(jié)構(gòu)化道路沒(méi)有明顯的道路邊緣特征，但由于路面比較松軟，車輛行駛后容易留下車轍等行車痕跡。這些痕跡在透視投影變換下一般都會(huì)趨向于收斂至道路遠(yuǎn)端的消失點(diǎn)。近幾年研究表明，使用消失點(diǎn)作為約束進(jìn)行非結(jié)構(gòu)化道路檢測(cè)，可以大幅度提高檢測(cè)效果[4]。因此可以先通過(guò)車轍等行車痕跡檢測(cè)出道路消失點(diǎn)，然后將其作為條件約束來(lái)求取道路區(qū)域。

目前，針對(duì)非結(jié)構(gòu)化道路消失點(diǎn)進(jìn)行檢測(cè)的方法主要包括利用直線交點(diǎn)和紋理方向2種方法。利用直線交點(diǎn)的方法主要是通過(guò)獲取圖像中的道路邊緣，并估計(jì)邊緣的交點(diǎn)得到道路的消失點(diǎn)[5-7]。

RASMUSSEN[8]首先提出利用紋理方向的方法求取道路消失點(diǎn)，隨后許多學(xué)者均對(duì)此進(jìn)行了研究與改進(jìn)。為解決單一尺度下紋理提取容易遺漏信息的問(wèn)題，文獻(xiàn)[9]提出了采用36個(gè)方向，5個(gè)尺度的Gabor濾波器組來(lái)提取圖像紋理特征的方法；為解決多尺度多方向的Gabor濾波器組計(jì)算量大，計(jì)算時(shí)間長(zhǎng)的問(wèn)題，文獻(xiàn)[10]提出了像素紋理的最優(yōu)局部主方向估計(jì)方法，文獻(xiàn)[4]提出了利用Haar特征和正交校正來(lái)檢測(cè)消失點(diǎn)的方法；為解決全局硬投票方法[8]所造成的消失點(diǎn)上移問(wèn)題，文獻(xiàn)[9]、[10]分別提出了根據(jù)距離和紋理方向進(jìn)行加權(quán)的局部自適應(yīng)軟投票方法和基于三角函數(shù)和距離加權(quán)的投票方法；為解決背景區(qū)域?qū)τ谙c(diǎn)檢測(cè)所造成的干擾問(wèn)題，文獻(xiàn)[4]提出了一種基于投票者紋理方向分布統(tǒng)計(jì)信息的多樣性投票方法；為解決彎曲道路消失點(diǎn)檢測(cè)困難的問(wèn)題，潘奎剛[11-12]提出了一種主方向加權(quán)投票方法。

綜上，目前利用紋理方向進(jìn)行消失點(diǎn)檢測(cè)，主要采用的是Gabor特征。而為了盡可能準(zhǔn)確地計(jì)算出圖像中每個(gè)像素點(diǎn)的紋理主方向，往往需要采用多方向、多尺度的Gabor濾波器組，造成很大計(jì)算量，增加計(jì)算時(shí)間，降低系統(tǒng)實(shí)時(shí)性。

通過(guò)減少計(jì)算紋理主方向的時(shí)間可以提高消失點(diǎn)檢測(cè)速度。而局部二值模式(local binary pattern，LBP)特征[13]是一種簡(jiǎn)單有效的圖像紋理特征的表示方法，擁有計(jì)算時(shí)間短的優(yōu)點(diǎn)。該特征的變種局部方向模式(local directional pattern，LDP)特征[14]可以計(jì)算出像素點(diǎn)在各方向上的邊緣響應(yīng)幅值，更有利于紋理主方向的求取。受到以上啟發(fā)，本文提出了一種新的消失點(diǎn)檢測(cè)方法，并對(duì)其理論和檢測(cè)流程進(jìn)行了討論，且在實(shí)驗(yàn)過(guò)程中驗(yàn)證了該方法的可行性。

1 系統(tǒng)總體結(jié)構(gòu)

本文方法的總體結(jié)構(gòu)如圖1所示。

圖1 總體結(jié)構(gòu)圖

本系統(tǒng)首先需要采集非結(jié)構(gòu)化道路圖像，并將該圖像載入到系統(tǒng)之中；然后進(jìn)行濾波、灰度化等預(yù)處理，得到其灰度圖；針對(duì)該灰度圖使用Kirsch掩模進(jìn)行掩模運(yùn)算得到圖像中每個(gè)像素點(diǎn)的4方向響應(yīng)幅值；并對(duì)響應(yīng)幅值進(jìn)行計(jì)算得到圖像中各像素點(diǎn)的方向顯著性，將其值與閾值比較，得到投票點(diǎn)；接著對(duì)響應(yīng)幅值進(jìn)行校正，減少檢測(cè)誤差，并對(duì)校正后的響應(yīng)幅值進(jìn)行計(jì)算，得到各投票點(diǎn)的紋理主方向；之后對(duì)圖像中的所有像素點(diǎn)進(jìn)行投票，得到每一個(gè)點(diǎn)的投票值，且將投票值最大的點(diǎn)作為道路的消失點(diǎn)；最終將該點(diǎn)標(biāo)示在原圖像之中的相應(yīng)位置，并保存。

2 非結(jié)構(gòu)化道路方向性分析

在非結(jié)構(gòu)化道路之中，一般都保留有車輛駛過(guò)留下的車轍等行車痕跡。在采集的圖像中，這些痕跡最終都收斂于道路遠(yuǎn)端的消失點(diǎn)，且這些痕跡都有著較為明顯的紋理特征。紋理的方向性是紋理特征之一，是圖像中像素的整體排列方向[15]。在灰度圖像中，可以將某個(gè)像素點(diǎn)及其周圍像素點(diǎn)的灰度值通過(guò)差異函數(shù)進(jìn)行計(jì)算得到該點(diǎn)的紋理方向。

非結(jié)構(gòu)化道路的灰度圖和道路方向性如圖2所示。圖中每個(gè)道路區(qū)域中均存在著明顯的行車痕跡，該痕跡沿著道路方向向前延伸，因此可以將痕跡方向視為道路方向。且該痕跡在灰度圖中沿著由灰度值相似的點(diǎn)所組成的直線收斂于道路遠(yuǎn)端的消失點(diǎn)，可見(jiàn)在灰度圖像中道路方向性與灰度值有關(guān)。

圖2 非結(jié)構(gòu)化道路灰度圖(紅色箭頭表示通過(guò)肉眼觀察到的行車痕跡方向)

3 消失點(diǎn)估計(jì)

3.1 LDP特征

LBP紋理特征[13]是一種用來(lái)描述圖像局部特征的算子，具有計(jì)算簡(jiǎn)單、表達(dá)效果好等優(yōu)點(diǎn)，在計(jì)算機(jī)視覺(jué)的許多領(lǐng)域都得到了廣泛應(yīng)用。在原始的LBP特征被提出后，研究人員提出了許多改進(jìn)版本，如LDP[14]就是其一個(gè)變種。該方法參照LBP編碼模式，通過(guò)編碼每點(diǎn)各方向上邊緣響應(yīng)強(qiáng)度的變化來(lái)表示圖像的紋理特征。通常選取Kirsch掩模來(lái)計(jì)算像素點(diǎn)8個(gè)方向邊緣響應(yīng)強(qiáng)度，8方向Kirsch掩模集合{0~7}如圖3所示，其中為用于計(jì)算邊緣響應(yīng)強(qiáng)度的算子，通常為3×3大小。

圖3 8方向Kirsch掩模

為了獲取某像素點(diǎn)的LDP特征值，首先要獲取以目標(biāo)點(diǎn)為中心的8個(gè)鄰近點(diǎn)的像素值，并分別與8方向Kirsch掩模進(jìn)行掩模運(yùn)算得到邊緣響應(yīng)幅值{0~7}，結(jié)果如圖4所示。在得到8方向邊緣響應(yīng)幅值之后，將前大的位設(shè)置為1，其余的8–位設(shè)置為0，0作為最低位進(jìn)行編碼。

m3m2m1 m4Xm0 m5m6m7

LDP編碼為

從上式可以看出，為了獲得灰度圖像中某像素點(diǎn)的LDP特征值，需要將該點(diǎn)周圍8個(gè)點(diǎn)的灰度值與Kirsch掩模進(jìn)行掩模運(yùn)算。

本文使用掩模運(yùn)算得到邊緣響應(yīng)幅值估計(jì)紋理主方向。圖5是部分待檢測(cè)的圖像最終得到的紋理方向圖。圖中紅箭頭表示的是非結(jié)構(gòu)化道路中行車痕跡的方向，以及其最終的收斂點(diǎn)。接下來(lái)的實(shí)驗(yàn)表明，使用該方法進(jìn)行紋理主方向估計(jì)可以大大減少所需時(shí)間，且最終得到的結(jié)果誤差較小，滿足下一步運(yùn)算的要求。

圖5 紋理方向圖

3.2 紋理主方向估計(jì)

本文首先利用Kirsch掩模得到圖像中各像素點(diǎn)的邊緣響應(yīng)幅值，然后利用該幅值估計(jì)紋理主方向。根據(jù)實(shí)際情況考慮，在進(jìn)行計(jì)算時(shí)只使用像素點(diǎn)在0?，45?，90?，135?這4個(gè)方向上的響應(yīng)幅值。

在剔除了紋理方向不明顯的點(diǎn)后，需要對(duì)剩余點(diǎn)進(jìn)行紋理主方向的估計(jì)。根據(jù)經(jīng)驗(yàn)，若像素點(diǎn)的紋理主方向與某個(gè)紋理響應(yīng)方向的差距越小，那么該方向上的響應(yīng)幅值就越大，由此認(rèn)為該點(diǎn)的紋理主方向位于2個(gè)最強(qiáng)的響應(yīng)方向之間[4]。因此，在得到圖像中各點(diǎn)的4方向邊緣響應(yīng)幅值之后，可以使用響應(yīng)幅值最大的2個(gè)紋理響應(yīng)來(lái)估計(jì)各點(diǎn)的紋理主方向。

為了減少誤差，需要使用最小的2個(gè)紋理響應(yīng)對(duì)其進(jìn)行修正[5]。若像素點(diǎn)的紋理主方向離某個(gè)紋理響應(yīng)的方向越近，則理論上該方向的響應(yīng)幅值越大，在該方向垂直方向上的響應(yīng)幅值越小，因此可以將2個(gè)幅值最大方向的垂直方向視為幅值最小方向。而本方法采用的方向數(shù)量為4，且在0~180°方向內(nèi)均勻分布，因此4個(gè)方向一定為2組兩兩垂直的方向，在進(jìn)行幅值校正時(shí)不需要重新計(jì)算，減少了計(jì)算時(shí)間。響應(yīng)幅值校正為

其中，()和()分別為像素點(diǎn)校正后的紋理響應(yīng)向量在軸和軸方向上分量；θ為像素點(diǎn)經(jīng)過(guò)計(jì)算后得到的紋理主方向，如圖6所示。

圖6 向量合成圖

3.3 消失點(diǎn)估計(jì)

在得到圖像中各像素點(diǎn)的紋理主方向后，利用投票方法來(lái)估計(jì)非結(jié)構(gòu)化道路的消失點(diǎn)。本文使用局部自適應(yīng)軟投票方法[9]估計(jì)消失點(diǎn)，是為了解決因圖像上部點(diǎn)得到的投票值多于下部點(diǎn)而產(chǎn)生的消失點(diǎn)上移問(wèn)題。

4 實(shí)驗(yàn)及分析

實(shí)驗(yàn)使用上述方法對(duì)圖像進(jìn)行消失點(diǎn)檢測(cè)，驗(yàn)證本文方法的可行性。最終得到的實(shí)驗(yàn)結(jié)果如圖7所示，并通過(guò)定性、定量比較將本文方法與文獻(xiàn)[9]及文獻(xiàn)[10]提出的紋理主方向估計(jì)方法進(jìn)行比較，確定該方法的特點(diǎn)。測(cè)試的圖像均來(lái)源于網(wǎng)上。圖像尺寸均取360×250，共200幅。圖像中真實(shí)消失點(diǎn)通過(guò)人工標(biāo)定獲得。

圖7 消失點(diǎn)檢測(cè)效果

4.1 定性分析

圖7為3種方法得到的紋理主方向使用同一投票方法檢測(cè)消失點(diǎn)的部分結(jié)果。其中黑色的點(diǎn)為人工標(biāo)定的道路消失點(diǎn)，紅色矩形框是基于本文方法得到的結(jié)果，藍(lán)色矩形框是基于文獻(xiàn)[9]的方法，綠色矩形框是基于文獻(xiàn)[10]的方法。

從結(jié)果可以看出，在背景較為簡(jiǎn)單且紋理較清晰的圖像中，3種方法均可較為準(zhǔn)確地找到道路消失點(diǎn)，如第1行和第2行中6幅圖所示。當(dāng)背景較為復(fù)雜時(shí)，3種方法的準(zhǔn)確率均受到了影響，且影響程度不同，在第3行第1和第2幅圖中，由于背景的干擾，3種方法均未得到正確的結(jié)果；在第3行第3幅圖和第4行第1幅圖中，其余2種方法均檢測(cè)出了正確的消失點(diǎn)，而文獻(xiàn)[10]進(jìn)行投票所得消失點(diǎn)分別位于圖像遠(yuǎn)方的山丘與地面的交線和垂直的樹(shù)木之上；而在第4行第2和第3兩幅圖中，只有本文方法未得到正確的結(jié)果，所得消失點(diǎn)分別位于湖面和天空之上，其余2種方法均檢測(cè)到了正確的消失點(diǎn)。

為了進(jìn)一步確定3種紋理主方向估計(jì)方法的效果，本文計(jì)算了不同方法所得消失點(diǎn)的平均距離誤差(D)并進(jìn)行了比較。該值表示所有被檢測(cè)圖像中所得消失點(diǎn)與人工標(biāo)定的消失點(diǎn)之間的距離歸一化后的平均值。該值越小說(shuō)明該消失點(diǎn)越接近人工標(biāo)定的消失點(diǎn)，檢測(cè)效果越好，反之則說(shuō)明兩者之間的距離越遠(yuǎn)，檢測(cè)效果越差。該值可通過(guò)式(10)得到

因此，在投票方法相同的情況下，根據(jù)文獻(xiàn)[9]方法得到的消失點(diǎn)的平均距離誤差最小，本文方法次之，文獻(xiàn)[10]誤差最大。

4.2 定量分析

在定量分析中，將本文的紋理主方向估計(jì)方法與文獻(xiàn)[9]、[10]的方法從速度和平均角度誤差2個(gè)方面進(jìn)行比較，其樣本是背景環(huán)境不同的多幅非結(jié)構(gòu)化道路圖像(如鄉(xiāng)村泥土路、雪地道路和沙漠道路等)。像素點(diǎn)紋理主方向的理想角度值使用180個(gè)方向的Gabor濾波器組得到的結(jié)果代替。不同方法得到的紋理主方向通過(guò)角度誤差公式與理想值進(jìn)行比較，得到誤差值。角度誤差為

其中，()為像素點(diǎn)紋理主方向的理想角度值；()為像素點(diǎn)通過(guò)紋理主方向估計(jì)方法得到的角度值。由式(11)可知，估計(jì)的方向角度值越接近理想值，兩者的差值就越小，誤差就越接近0。比較結(jié)果見(jiàn)表1。

表1 不同校正方法的檢測(cè)結(jié)果

表1中的時(shí)間是使用不同方法對(duì)多張相同圖片進(jìn)行紋理主方向估計(jì)所花費(fèi)的平均時(shí)間。其中，文獻(xiàn)[9]提出的方法使得時(shí)間減少為使用180個(gè)方向的Gabor濾波器組的七分之一，并且平均角度誤差小于0.1，準(zhǔn)確率極高，但該方法所用時(shí)間較長(zhǎng)，需約11 s，而在智能車輛行駛過(guò)程中，為了確保安全行駛，要求系統(tǒng)必須盡快檢測(cè)出所處環(huán)境的道路區(qū)域，所用時(shí)越少越好，因此該方法無(wú)法滿足實(shí)時(shí)性要求，需要進(jìn)一步改進(jìn)；文獻(xiàn)[10]方法需約5 s的計(jì)算時(shí)間，依然無(wú)法滿足系統(tǒng)的實(shí)時(shí)性，而且還降低了結(jié)果的準(zhǔn)確率，也需對(duì)該方法進(jìn)行改進(jìn)。而將本文方法與文獻(xiàn)[9]方法進(jìn)行比較可以看出，雖然本文方法降低了結(jié)果的準(zhǔn)確率，但用時(shí)僅為文獻(xiàn)[9]的28%，大大提高了系統(tǒng)的實(shí)時(shí)性；而與文獻(xiàn)[10]比較，本文方法用時(shí)只是文獻(xiàn)[10]的60%，且準(zhǔn)確率也要高于該方法。

綜上可以看出，本文方法在減少了檢測(cè)時(shí)間的同時(shí)還可以滿足一般情況下的消失點(diǎn)檢測(cè)要求。

5 結(jié)束語(yǔ)

本文的非結(jié)構(gòu)化道路消失點(diǎn)檢測(cè)方法是根據(jù)LDP特征的計(jì)算方法提出。LDP特征是一種由LBP特征轉(zhuǎn)變而來(lái)的圖像特征表示方法，通過(guò)使用8方向Kirsch掩模進(jìn)行計(jì)算得到，可以簡(jiǎn)單、有效地表示圖像的紋理特征。本文使用4方向Kirsch掩模得到像素點(diǎn)4方向響應(yīng)幅值；利用得到的響應(yīng)幅值計(jì)算置信度剔除紋理方向不明顯的點(diǎn)，確定投票點(diǎn)，提高準(zhǔn)確率；通過(guò)對(duì)響應(yīng)幅值進(jìn)行校正并進(jìn)行紋理主方向估計(jì)得到各投票點(diǎn)的紋理主方向；對(duì)于圖像中的每一個(gè)點(diǎn)，使用局部自適應(yīng)軟投票方法確定其投票值，并選擇投票值最大的點(diǎn)為道路的消失點(diǎn)。

實(shí)驗(yàn)結(jié)果顯示，與現(xiàn)有的兩種方法比較，本文方法用時(shí)更少，而且在一般情況下可以準(zhǔn)確檢測(cè)出道路的消失點(diǎn)。但該方法容易受到道路背景區(qū)域影響，當(dāng)圖像中環(huán)境比較復(fù)雜時(shí)，檢測(cè)結(jié)果容易受到干擾，尤其是樹(shù)木、欄桿、遠(yuǎn)方山丘的輪廓等具有明顯紋理方向特征的干擾物；同時(shí)道路背景類型的不同，也會(huì)影響檢測(cè)的準(zhǔn)確性，因此下一階段的研究要針對(duì)這些問(wèn)題而展開(kāi)，進(jìn)一步提高該方法的檢測(cè)效果。

[1] 楊喜寧, 段建民, 高德芝, 等. 基于改進(jìn)Hough變換的車道線檢測(cè)技術(shù)[J]. 計(jì)算機(jī)測(cè)量與控制, 2010, 18(2): 292-294.

[2] ALY M. Real time detection of lane markers in urban streets [C]//IEEE Intelligent Vehicles Symposium. New York: IEEE Press, 2008: 7-12.

[3] CHENG H Y, YU C C, TSENG C C, et al. Environment classification and hierarchical lane detection for structured and unstructured roads [J]. IET Computer Vision, 2010, 4(1): 37-49.

[4] 王永忠, 文成林. 基于Haar紋理的非結(jié)構(gòu)化道路消失點(diǎn)檢測(cè)[J]. 中國(guó)圖象圖形學(xué)報(bào), 2013, 18(4): 27-36.

[5] WANG Y, TEOH E K, SHEN D. Lane detection and tracking using B-snake [J]. Image and Vision Computing, 2004, 22(4): 269-280.

[6] NIETO M, SALGADO L. Real-time vanishing point estimation in road sequences using adaptive steerable filter banks [C]//International Conference on Advanced Concepts for Intelligent Vision Systems. Berlin: Springer, 2007: 840-848.

[7] LIU H J, GUO Z B, LU J F, et al. A fast method for vanishing point estimation and tracking and its application in road images [C]//2006 6th International Conference on Its Telecommunications. New York: IEEE Press, 2007: 106-109.

[8] RASMUSSEN C. Grouping dominant orientations for Ill-Structured road following [C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE Press, 2004: 470-477.

[9] KONG H, AUDIBERT J Y, PONCE J. General road detection from a single image [J]. IEEE Transactions on Image Processing a Publication of the IEEE Signal Processing Society, 2010, 19(8): 2211-2220.

[10] MOGHADAM P, STARZYK J A, WIJESOMA W S. Fast vanishing-point detection in unstructured environments [J].IEEE Transactions on Image Processing, 2011, 21(1): 425-430.

[11] 潘奎剛. 智能車輛基于視覺(jué)的可通行區(qū)域檢測(cè)方法[D].南京: 南京理工大學(xué), 2017.

[12] 潘奎剛, 石朝俠. 基于主方向加權(quán)投票的非結(jié)構(gòu)化道路消失點(diǎn)檢測(cè)[J]. 計(jì)算機(jī)工程, 2017, 43(12): 237-241.

[13] OJALA T, PIETIKAINEN M, HARWOOD D. Performance evaluation of texture measures with classification based on Kullback discrimination of distributions [C]//IAPR International Conference on Pattern Recognition, 1994. New York: IEEE Press, 2002: 582-585.

[14] JABID T, KABIR M H, CHAE O. Robust facial expression recognition based on local directional pattern [J]. ETRI Journal, 2010, 32(5): 784-794.

[15] 王震, 王執(zhí)銓, 茅耀斌. 基于紋理方向的描述和對(duì)具有方向性紋理圖像的分類與分割[J]. 中國(guó)圖象圖形學(xué)報(bào), 2002, 7(12): 1279-1284.

Research on Vanishing Point Detection of Unstructured Road Based on Directional Texture

HUANG Jun, HOU Bei-ping, DONG Fei, WU Ying-dong, LIU Yu, WANG Jian-ming

(School of Automation and Electrical Engineering, Zhejiang University of Science and Technology, Hangzhou Zhejiang 310023, China)

With the rapid development of vehicle intelligence in these years, the automatic detection of road areas has been playing a more and more important role in the field. However, the detection of unstructured roads faces significant difficulties due to the fact that many unstructured roads do not have prominent lane marks or boundaries. Conducting the detection while setting the vanishing point as the constraint can substantially improve the performance of unstructured road detection. But in practical application, the existing methods for vanishing point detection of unstructured road generally have significant shortcomings of high computation cost and poor real-time performance. In order to improve the efficiency of calculation, a new method based on local directional pattern (LDP) texture feature for vanishing point detection of unstructured roads is proposed. Through the calculation of LDP texture features, the Kirsch mask is used to obtain the four-direction response amplitude of the pixel in picture, and the error of detection is reduced by the amplitude correction; and then the main direction of texture is obtained by calculating the corrected response amplitude; the vanishing points are selected by using the local adaptive soft voting method. Finally, the detection for vanishing points is achieved. According to the experimental results, the method is faster than existing methods and it can detect the vanishing points of unstructured roads accurately and effectively in the natural environment.

local directional pattern (LDP); vanishing point detection; unstructured road; local adaptive soft voting

TP 391

10.11996/JG.j.2095-302X.2019010131

A

2095-302X(2019)01-0131-06

2018-07-06；

2018-07-18

浙江省公益性技術(shù)應(yīng)用研究計(jì)劃項(xiàng)目(2017c33119)

黃 俊(1994-)，男，浙江衢州人，碩士研究生。主要研究方向?yàn)閳D像處理。E-mail：221601852006@zust.edu.cn

侯北平(1976-)，男，山東日照人，博士，教授，碩士生導(dǎo)師。主要研究方向?yàn)闄C(jī)器視覺(jué)、圖像處理。E-mail：bphou@zust.edu.cn