基于多特征準則改進區(qū)域生長的非結構化道路識別

孟凡杰+王新晴+呂高旺+任國亭

摘要：針對非結構化道路識別困難和傳統(tǒng)區(qū)域生長算法隨機性大的問題，提出了一種多特征準則改進區(qū)域生長的非結構化道路檢測算法。融合Otsu多閥值理論平滑濾波確定道路平滑度特征，利用平滑度、飽和度、色度構造融合特征。將多特征融入改進區(qū)域生長算法中，針對非結構化道路進行識別。結果表明，該算法能有效區(qū)分非結構化道路與環(huán)境信息，相比傳統(tǒng)區(qū)域生長能有效排除相似環(huán)境區(qū)域的干擾，減少誤判率。

關鍵詞：多特征；改進區(qū)域生長；非結構化道路；融合識別

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）35-0200-02

隨著無人駕駛系統(tǒng)需求的增長，基于機器視覺的道路識別技術成為目前研究的熱點[1-3]。目前識別算法主要有：基于道路特征的算法，主要應用道路與背景區(qū)域差異的統(tǒng)計特征（如邊緣梯度[4]，道路方向[5]等[6]）來實現分割?；谀Ｐ偷乃惴╗7]。 基于神經網絡的算法 [8-9]。

區(qū)域生長（region seeds growing，RSG）以“種子點”向外延伸的生長方式，可有效避免識別區(qū)域外的干擾[10-11]，但針對非結構化道路，傳統(tǒng)區(qū)域生長算法隨機性大、識別后邊界模糊。鑒于上述，本文研究并提出一種基于多特征準則改進區(qū)域生長的非結構化道路識別算法，定義融合Otsu算法[12]與自適應濾波器的道路平滑度特征，結合區(qū)域生長與融合特征算法優(yōu)勢，更符合人眼識別道路“由近及遠”的特點，能夠更有效地識別非結構化道路。

1 融合特征構造

1.1融合Otsu算法與自適應濾波器的道路平滑度特征

本文采用自適應控制的局部平滑濾波，突出興趣范圍內平滑度特征。濾波器設計如下：

利用Otsu算法將（i， j）鄰域E內元素根據像素值大小分為A， B兩類，對應個數為a， b。則有濾波后像素值大?。?/p>

[I（i，j）=n=1NI（k，l）nN]

式中：[N=max（a，b）]，[I（k，l）n]為中心點鄰域內，第n個數量占優(yōu)部分像素值。

如圖1，相比于Canny邊緣檢測，圖像物體內部邊緣信息明顯減少。平滑度特征定義為：

[P（?）=m=1?2C?]

式中Cα為單個步長內邊緣點個數，步長[?=20]。

1.2基于HSV空間模型的圖像顏色特征

在顏色特征提取方面，選擇了符合人的視覺感知的HSV模型。通過亮度分量V和色度分量H、飽和度分量S分開表示的方式，能夠有效避免因光照不均勻而帶來圖像彩色不均勻的影響。如圖2非結構化道路RGB與HSV色彩空間。

1.3路面特征融合

本文選取路面平滑度特征、色度分量、飽和度分量，定義融合特征參數[R（?）]：

[R（?）=ω1P（?）'+ω2H+ω3S]

式中：取經驗系數[ω1]，[ω2]，[ω3]分別為-1.10，2.35，1.53。[H]，[S]分別為平滑度，色度，飽和度歸一化后數值，其中 [P（?）'=log10P（?）]

如圖3所示，由圖可知融合特征[R（?）]相比于單一特征更能有效區(qū)分路面與環(huán)境區(qū)域。

2 融合多特征準則區(qū)域生長

以融合特征作為區(qū)域生長過程的生長準則，針對某一道路模型，多特征準則具體生長流程為：

1）在最佳區(qū)域內，隨機選取一個20×20大小集合，作為初始種子單元；

2）以種子單元為中心，在不重復條件下取同等大小的鄰域單元（20×20）；

3）將鄰域單元進行特征提取并后，進行融合特征參數判定；

4）若鄰域單元為“道路類”，則以該單元為種子單元，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；

5）繼續(xù)掃描直到不能發(fā)現種子單元有可生長鄰域，則結束整個生長過程。

3 道路試驗

從圖4（1～2）可以看出，針對半非結構化道路，傳統(tǒng)區(qū)域生長算法與本文算法均能夠有效識別出路面區(qū)域，圖4（2～5）顯示本文算法對于非結構化路面識別更完整，對于路面區(qū)域外環(huán)境區(qū)域誤判區(qū)域更少。

4 結論

本文提出了一種多特征準則改進區(qū)域生長非結構化道路檢測算法，可以有效檢測具有復雜道路邊界的非結構化道路，相對傳統(tǒng)算法在識別正確率和減少誤判率上有明顯改進。本文創(chuàng)新性主要體現在：融合多特征在算法中，能夠有效識別復雜的非結構化道路。改進傳統(tǒng)區(qū)域生長算法，采用單元生長的方式提高算法魯棒性。實際道路檢測結果表明算法具有較好的適應性和魯棒性，能夠滿足智能車輛非結構化道路導航需求。

參考文獻：

[1] Hillel A B， Lerner R， Levi D， et al.. Recent progress in road and lane detection： a survey[J]. Machine Vision and Applications， 2012， DOI： 10.1007/S00138-011-0404-2.

[2] 高華，劉濟林.車輛視頻導航中道路檢測方法研究進展[J].傳感器與微系統(tǒng)，2012，31（1）：1-3.

[3] 呂高旺，王新晴，孟凡杰.基于彩色特征的道路識別算法[J].電腦知識與技術， 2016，（12）12.

[4] BAI L，WANG Y.Road Tracking Using partial Filters with Partition Sampling and Auxiliary Variables [J].Computer Vision and image understanding，2011，115（10）：1463-1471.

[5] MCCALL J C，TRIVEDI M M.Video-based Lane Estimation and tracking for Driver Assistance：survey， System ，and Evaluation[J].IEEE Transactions on intelligent Transportation Systems，2006，7（1）：20-37

[6] 王科，黃智，鐘志華.基于多特征融合的道路理解方法[J]. 中國公路學報，2013，26（4）：176-183.

[7] WANG Y，DOHNOUN N，ACHIM A.A Novel System for Robust Lane Detection and Tracking [J].Signal Process，2012，92（2）：319-344.

[8] 高國琴，李明.基于 K-means 算法的溫室移動機器人導航路徑識別[J].農業(yè)工程學報，2014，30（7）：25-33.

[9] 楊力，劉濟林.基于非監(jiān)督特征學習的分叉道路檢測算法[J]. 浙江大學學報（工學版）2014，48（9）：1558-1563.

[10] 倪鼎， 馬洪兵. 基于區(qū)域生長的多源遙感圖像配準[J]. 自動化學報， 2014， 40（6）：1058-1067.

[11] 楊家紅，劉杰，鐘堅成，等. 結合分水嶺與自動種子區(qū)域生長的彩色圖像分割算法[J]. 中國圖像圖形學報， 2010， 15（1）：63-68.

[12] NOBUYUKI OTSU. A Threshold Selection Method from Gray-Level Histograms[J].IEEE TRANSACTIONS ON SYSTREMS，MAN，AND CYBERNETICS，1979，9（1）：62-66.