王鵬 賀陽 賈秀娟 張璐

摘 要：道路按照是否有規(guī)則的道路邊界可以分為結(jié)構(gòu)化道路和非結(jié)構(gòu)化道路。結(jié)構(gòu)化道路有明顯的道路特征，系統(tǒng)可以根據(jù)道路模型或者人為設(shè)定的特征準(zhǔn)確識別。但是實際環(huán)境中，存在沒有明顯的道路邊界以及受到霧雪等天氣干擾的路段，稱為部分非結(jié)構(gòu)化道路和完全非結(jié)構(gòu)化道路。在非結(jié)構(gòu)化道路識別上運用結(jié)構(gòu)化道路的識別方法可能會導(dǎo)致錯誤的決策。因此，快速準(zhǔn)確識別出非結(jié)構(gòu)化環(huán)境中的道路對智能駕駛自主決策至關(guān)重要。該文基于近5年國內(nèi)外相關(guān)研究，對目前非結(jié)構(gòu)化道路的傳統(tǒng)識別方法、機器學(xué)習(xí)、深度學(xué)習(xí)與數(shù)據(jù)融合等方法進行了整理與分析。

關(guān)鍵詞：非結(jié)構(gòu)化道路識別 機器學(xué)習(xí) 深度學(xué)習(xí) 多傳感器融合

中圖分類號：TP393 文獻標(biāo)識碼：A 文章編號：1672-3791（2019）01（b）-0-02

隨著汽車行業(yè)不斷發(fā)展，汽車相關(guān)的安全問題變得日趨重要。近年來發(fā)展的無人駕駛技術(shù)旨在提高汽車安全性。因此，在道路結(jié)構(gòu)不明顯的情況下有效識別出道路的可通行區(qū)域，增強在惡劣極端天氣下的道路識別能力，對車道偏離做出準(zhǔn)確的預(yù)警，可以提高無人駕駛車輛的安全性和魯棒性。對無人駕駛的實際應(yīng)用具有巨大的意義。

1 傳統(tǒng)非結(jié)構(gòu)道路識別方法

1.1 道路模型法

道路識別常用的方法為道路模型法。部分非結(jié)構(gòu)化道路依然具有一定程度的固定結(jié)構(gòu)，通過合理構(gòu)造相對規(guī)則的邊緣，近似得到特征明顯的道路模型。該種方法優(yōu)勢在于對陰影等干擾不敏感，但只適用于部分非結(jié)構(gòu)化道路，無法適用于邊緣不明顯的完全非結(jié)構(gòu)化道路。對此，胡曉輝等人提出了一種基于3次樣條曲線模型和分塊子區(qū)生長模型（CSCM_BSG）相結(jié)合的完全非結(jié)構(gòu)化道路檢測算法。該方法選取HSV模型，對色度（H）和飽和度（S）進行3次樣條插值，將圖像分割并映射到偽彩色空間。利用主、輔色色調(diào)、種類和紋理完成特征提取。這種算法只對子區(qū)進行一次掃描，避免了反復(fù)迭代，能有效屏蔽陰影、水跡等干擾，提升了道路匹配率和實時性。

1.2 光流法

圖像特征匹配時產(chǎn)生的對相對位移會形成光流，光流法通過對光流的計算實現(xiàn)道路的辨別。其難點在于圖像之間的特征匹配。對此，石朝俠等人提出了一種基于組合特征的光流檢測方法。這種方法結(jié)合了SIFT特征尺度和放射變換，具有良好的魯棒性，并且得到的Harri角點特征分布均勻。首先將非道路區(qū)域設(shè)置為感興趣區(qū)域（ROI），通過對ROI區(qū)域提取SIFT-Harri角點組合特征，判斷ROI區(qū)域是否靜止。該方法和LK光流法相比，能夠形成較清晰的光流，并能識別出可通行區(qū)域。

1.3 消失點檢測法

非結(jié)構(gòu)化道路特征不明顯，從而不易被系統(tǒng)識別。因此，以容易識別的道路消失點作為道路約束條件的方法應(yīng)運而生。通過消失點檢測和道路模型假設(shè)，從環(huán)境中分割出非結(jié)構(gòu)化道路區(qū)域。目前，消失點檢測主要基于Gabor紋理的加權(quán)投票方法。例如，潘奎剛等人提出了一種基于主方向加權(quán)投票的非結(jié)構(gòu)化道路消失點檢測方法。該方法采用一尺度四方向的Gabor濾波器，對原圖像的灰度圖進行濾波，得到4個方向上的實部和虛部矩陣。計算4個紋理響應(yīng)的方向并排序，通過置信度來篩選投票候選點，確定主方向并進行校正。該方法受光照強度影響較小，在夜間有較好效果，但計算量過大，實時性差。

1.4 圖像分割法

圖像分割法根據(jù)人工設(shè)定的特征對圖像進行分割，并進行處理，從而實現(xiàn)道路識別的目標(biāo)。胡旭等人提出了一種基于特征模型的非結(jié)構(gòu)化道路識別跟蹤方法，該方法利用LBP紋理特征和顏色特征建立了H-S-LBP特征模型并進行反向投影，完成分割。同時利用卡爾曼濾波器對特征模型進行更新。交替執(zhí)行反向投影和模型更新，從而完成對非結(jié)構(gòu)化道路的跟蹤。實驗表明該方法魯棒性、實時性較好，精度較高。

2 機器學(xué)習(xí)

雖然非結(jié)構(gòu)化道路特征不明顯，但周圍環(huán)境中植物特征相對明顯。根據(jù)非結(jié)構(gòu)化道路的特點，周植宇等人提出了一種基于高斯核支持向量機的非結(jié)構(gòu)化道路環(huán)境植被檢測方法。通過檢測植被，完成可通行區(qū)域和不可通行區(qū)域的甄別?？紤]到植被幾何形狀、邊緣線等特征不明顯，該方法采用顏色特征，選擇圖像像素相關(guān)性較小的模型，采用SLIC超像素分割方法標(biāo)記原始樣本，從而獲得樣本空間的稀疏表示T。運用支持向量機通過高斯核函數(shù)進行學(xué)習(xí)，使用學(xué)習(xí)得到的模型對圖像進行分類。最后，將分類結(jié)果中置信度高于設(shè)定值的柵格窗標(biāo)記為植被區(qū)。實驗表明該方法準(zhǔn)確率在94.9%左右。

3 深度學(xué)習(xí)

深度學(xué)習(xí)是含有多層隱藏層的人工神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)在圖像識別方面的應(yīng)用，相比較傳統(tǒng)方法的優(yōu)點在于不需要人為設(shè)定特征。卷積神經(jīng)網(wǎng)（ConvNet）能夠?qū)D像進行語義層面的分割，因此近年來在圖像識別方面展現(xiàn)出巨大的優(yōu)勢?；诰矸e神經(jīng)網(wǎng)技術(shù)，Keiller等人提出了一種通過3種卷積網(wǎng)的分類結(jié)果進行投票分類的方法。該方法建立了3種卷積網(wǎng)：每一個像素分別作為核心的上下文窗口訓(xùn)練出的標(biāo)準(zhǔn)卷積網(wǎng)；使用固定大小的塊（Patch）來訓(xùn)練出的全卷積神經(jīng)網(wǎng)和反卷積神經(jīng)網(wǎng)。通過使用3種神經(jīng)網(wǎng)對源圖像進行投票分類，根據(jù)不同閾值，對投票結(jié)果進行劃分，從而得到最終的圖像分割結(jié)果。由卷積神經(jīng)網(wǎng)結(jié)合的分割結(jié)果和單一神經(jīng)網(wǎng)分割結(jié)果比較可知，相比較單一的神經(jīng)網(wǎng)，結(jié)合的神經(jīng)網(wǎng)能夠發(fā)揮各個神經(jīng)網(wǎng)各自的優(yōu)點，彌補不足，具有較高的識別率。

4 基于雷達的道路識別方法

雷達傳感器因具有可以向系統(tǒng)反饋三維坐標(biāo)、深度等信息的特點，被廣泛利用于識別領(lǐng)域。其中，李寧等人提出了一種基于多線激光雷達的非結(jié)構(gòu)化道路感知方法，通過對柵格化后的點云數(shù)據(jù)完成距地高度、高度差、梯度差等特征數(shù)據(jù)的統(tǒng)計和聚類分析、跟蹤，實現(xiàn)了可通行區(qū)域、靜態(tài)障礙物的識別與車輛的跟蹤監(jiān)測。具體流程見圖1。

5 數(shù)據(jù)融合

視覺傳感器能夠采集紋理信息，同時雷達傳感器能夠收集深度信息。基于上述特點，有學(xué)者通過結(jié)合兩種傳感器各自的特點提出了一種非結(jié)構(gòu)化道路的實時語意分割地圖方法。該方法通過深度學(xué)習(xí)訓(xùn)練圖片，用完成訓(xùn)練的模型對圖片語意進行分割；同時，利用雷達獲取與圖片逐幀對應(yīng)的點云數(shù)據(jù)，將點云數(shù)據(jù)和語意分割圖相匹配、融合，得到2.5D分割地圖。根據(jù)地圖計算不同候選路徑的損失，最終選擇損失最小的路徑作為當(dāng)前路徑。實驗證明，該方法能綜合考慮圖像紋理和深度信息，時效性、魯棒性較好。

6 結(jié)語

非結(jié)構(gòu)化道路識別的研究從利用單一傳感器發(fā)展到多傳感器融合，將圖像橫向紋理特征和雷達的縱向深度信息相結(jié)合，提高了魯棒性；由人為設(shè)定特征發(fā)展到利用機器學(xué)習(xí)的方法來訓(xùn)練，獲得道路特征的抽象表示，提高了識別結(jié)果的準(zhǔn)確性。非結(jié)構(gòu)化道路識別的準(zhǔn)確性和實時性的提升對無人駕駛車輛的普及具有重大意義。

參考文獻

[1] 胡曉輝，孫苗強，蘇曉許.偽彩色空間完全非結(jié)構(gòu)化道路檢測方法[J].中國圖像圖形學(xué)報，2012，17（2）：203-208.

[2] 石朝俠，彭威，王燕清.面向非結(jié)構(gòu)化道路的特征光流檢測[J].中國科技論文，2014（7）：808-811.

[3] 石朝俠.基于主方向加權(quán)投票的非結(jié)構(gòu)化道路消失點檢測[J].計算機工程，2017，43（12）：237-241.