王 翔，張 娟，方志軍

(上海工程技術(shù)大學 電子電氣工程學院，上海 201620)

隨著人們對智能導航系統(tǒng)需求的增加，無人駕駛自主導航系統(tǒng)研究得到飛速發(fā)展，其中一項關(guān)鍵技術(shù)為道路檢測。實際的道路一般可分為結(jié)構(gòu)化道路和非結(jié)構(gòu)化道路兩類。結(jié)構(gòu)化道路一般是指高速公路和部分結(jié)構(gòu)化較好的城鎮(zhèn)道路，這類具有清晰的車道線和道路邊界。此種類型的道路擁有明顯的特征，檢測算法較成熟。非結(jié)構(gòu)化道路一般指沒有道路標識線和道路邊界的道路，由于受到陰影和水跡的影響，道路區(qū)域和非道路區(qū)域難以區(qū)分。

非結(jié)構(gòu)化道路的檢測算法可以分為：基于道路特征的方法[1-3]、基于道路模型的方法[4-5]和基于神經(jīng)網(wǎng)絡(luò)的方法[6-7]。基于特征的道路檢測算法主要包括2個部分，即特征提取和特征融合，其主要優(yōu)點是對道路形狀不敏感，需要的先驗知識少，但是對陰影和水跡較為敏感，處理的計算量較大。基于模型的方法首先假設(shè)非結(jié)構(gòu)化道路具有相對規(guī)則的路邊，根據(jù)路邊形狀建立相應的道路模型。隨后根據(jù)所建立的道路模型，進行擬合匹配，以求得道路的邊界線。常用的模型有直線模型、蛇型線模型、樣條曲線模型等?；谀Ｐ偷牡缆窓z測可以有效克服路面污染、陰影、光照不均等環(huán)境因素影響。但是當?shù)缆凡环项A先假設(shè)時，模型就會失效，因此模型的選擇很關(guān)鍵。這類方法檢測出的道路區(qū)域較為完整，但是對于復雜的非結(jié)構(gòu)化道路路面形狀，無法建立準確的模型。人工神經(jīng)網(wǎng)絡(luò)是一種采用類似于大腦神經(jīng)突觸連接的機制進行信息處理的數(shù)學模型，其難點在于訓練方法。由于道路所處環(huán)境不同，有些比較復雜，像光照、雨雪、陰影等影響會造成環(huán)境發(fā)生很大變化，從而使人工神經(jīng)訓練很難達到全面化，容易產(chǎn)生局部優(yōu)化問題。非機構(gòu)化道路檢測有著非常重要的研究意義，很好地解決這個問題有相當難度，因此至今仍無通用的檢測算法，相關(guān)技術(shù)還有待進一步改進和發(fā)展。

本文分析了上述非結(jié)構(gòu)化道路檢測算法，提出一種基于最大熵和邊緣信息的非結(jié)構(gòu)化道路檢測算法。該算法將自適應閾值分割和邊緣信息融合，使兩者局部細節(jié)信息互補，更好的劃分開道路區(qū)域和非道路區(qū)域。本文算法對有局部強光、陰影、雨水等復雜環(huán)境道路檢測有較好的魯棒性。

1 基于最大熵法的閾值初分割

熵是信息論中對不確定性的度量，能有效反映事件包含的信息，是對數(shù)據(jù)中包含信息量大小的度量。用圖像熵值作目標分割是一種有效的方法。在熵大的地方，圖像灰度相對較均勻；在熵小的地方，圖像灰度離散性較大，所以根據(jù)圖像的最大化熵可以把灰度相對均勻的目標分割出來。本文要識別的道路區(qū)域正是具有灰度均勻的特點，因此選擇最大熵做閾值分割。

由于一維最大熵閾值算法只考慮了圖像的灰度信息而沒有考慮圖像的像素空間鄰域信息，當圖像受到噪聲干擾等因素影響時，難以獲得滿意的分割效果。為此本文采用二維最大熵算法，做閾值初分割。

二維最大熵閾值分割方法[8-10]同時考慮了像素灰度信息和鄰域空間信息，因此抗干擾能力較強。二維最大熵閾值分割方法的設(shè)計思想是，采用二維熵度量像素及其鄰域中像素之間的信息相關(guān)性。若一幅圖像的灰度級數(shù)為L，總像素點數(shù)為N(m×n)，設(shè)fi,j為圖像中點灰度為i及其區(qū)域灰度均值為j的像素點數(shù)，pi,j為點灰度-區(qū)域均值對(i,j)發(fā)生的概率，即pi,j=fi,j/N，其中N(m×n)為圖像的總像素個數(shù)。

圖1為二維直方圖的xoy平面圖，沿對角線分布的A區(qū)和B區(qū)分別代表目標和背景，遠離對角線的C區(qū)和D區(qū)代表邊界和噪聲。所以應在A區(qū)和B區(qū)上利用點灰度-區(qū)域灰度均值二維最大熵法確定最佳閾值，可使真正代表目標和背景的信息量最大。于是，定義離散二維熵為

(1)

則熵的判別函數(shù)定義為

φ(s,t)=lg[PA(1-PA)]+HA/PA
+(HL-HA)/(1-PA)

(2)

根據(jù)最大熵原理，選取的最佳閾值向量滿足

Φ(s*,t*)=max{φ(s,t)}

(3)

最大熵閾值分割作為一種區(qū)域分割算法，會受到同樣具有灰度均勻特點的光照、水漬及陰影區(qū)域的影響，使獲得的道路區(qū)域不完整或粘連背景物，如圖2所示。在非結(jié)構(gòu)道路場景中，可能有道路同質(zhì)的物體存在(例如水泥道路和水泥墻壁)，使用最大熵閾值分割方法不可避免地會使路面邊緣缺失。為解決這個問題，利用道路和背景物之間的邊緣信息重新劃分缺失或粘連的道路和背景區(qū)域。

2 Canny邊緣重新修正誤檢道路區(qū)域

2.1 Canny邊緣檢測

雖然非結(jié)構(gòu)化道路沒有規(guī)則的形狀，邊界的形狀變化較大，但仍可以準確檢測其邊緣信息。在多種邊緣檢測算子中，Canny算子[11-12]是一個具有濾波、增強和檢測的多階段優(yōu)化算子，提取的邊緣完整位置較準確，能夠檢測出圖像較細的邊緣部分。因此本文用Canny算子實現(xiàn)邊緣的提取。

原圖像首先進行高斯濾波，獲得高斯模糊圖像M(在試驗中采用3×3模板)，在過濾噪聲的同時保留圖像邊緣的有用信息。用一階偏導的有限差分來計算梯度的幅值和方向，對梯度幅值進行非極大值抑制，用雙閾值算法檢測和連接邊緣。差分邊緣檢測中，差分的水平或垂直方向都與邊緣方向正交。在實際的應用中，常將邊緣檢測分為水平邊緣、垂直邊緣及對角線邊緣，定義方向模板如圖3所示。

在Canny邊緣的雙閾值[13-14]選取階段，通常會面臨如下抉擇：減小梯度幅值的閾值會增加邊緣檢出的數(shù)量，使屬于梯度幅值小的邊緣能夠保留，但是會帶來較高的計算成本；增加梯度幅值的閾值無疑會有效減少計算量，提高系統(tǒng)的實時性，但可能會導致梯度幅值小的邊緣消失。由于檢測樣本圖片中道路區(qū)域和背景區(qū)域交界處有明顯的幅值梯度變化，而道路和背景區(qū)域內(nèi)幅值梯度變化較弱多為紋理細節(jié)，可以提高閾值進行濾除。在本文算法Canny邊緣檢測過程中，通常將低幅值閾值取值接近于高幅值閾值。實驗結(jié)果表明這樣選取高低閾值，既可去除大部分背景噪聲，又可保留成像面中道路的邊緣。

為了增強Canny邊緣檢測高低閾值作用的效果，本文在Canny邊緣檢測之前采用保護邊緣平滑濾波器(Bilateral Filter)[15-17]對圖像進行平滑濾波處理，保留邊緣信息的同時使得使邊界兩側(cè)的像素幅值平滑整齊。Bilateral Filter對圖像處理原理如圖4所示，其中圖4(a)為選取測試圖片中的一塊區(qū)域，圖中用高度代表像素點的像素幅值。圖4(b)為求得圖4(a)中右側(cè)邊緣上的一個像素點的權(quán)重(圖中用高度代表權(quán)重的大小)，顏色越相近值越大，距離越近值越大，最終兩個權(quán)重值的積如4(b)中分布。對圖4(a)圖中的每一個像素點都進行濾波平滑處理，結(jié)果如圖4(c)所示，濾波過程保護了邊緣，平滑了圖像。

Bilateral Filter濾波處理前Canny邊緣檢測如圖5所示，濾波處理后檢測結(jié)果如圖6所示。經(jīng)Bilateral Filter濾波處理后的試驗結(jié)果表明，位于背景區(qū)內(nèi)和道路區(qū)域內(nèi)的細小紋理被濾除，Canny檢測的圖像景物邊緣更加精確。

2.2 邊緣信息重新劃分誤檢的道路區(qū)域

分析最大熵閾值分割圖像，其前景目標道路部分邊界與背景粘連在一起，使得道路不能完整的從圖像中分割。最大熵閾值分割的圖像和Canny邊緣檢測的圖像都為二值圖像，在最大熵閾值圖像中已分割出的道路邊界保留，分割丟失的道路邊界由Canny邊緣信息重新劃分。具體過程為：對于一幅最大熵閾值分割圖像與一幅Canny邊緣檢測圖像，當最大熵閾值分割圖像與Canny邊緣檢測圖像對應坐標點取值相同時，目標圖像幅值取0；取不同時，目標圖像取1，最終目標圖像取值如圖7所示。

根據(jù)上述目標圖像取值分析，目標圖像取值滿足如下式

dst(x,y)=F(x,y)⊕E(x,y)
{(x,y)|0

(4)

式中，rows為圖像高，cols為圖像寬；(x,y)為圖像坐標；E(x,y)為Canny邊緣檢測圖像，如上述圖5所示，在E(x,y)取1時為邊緣像素取0時為非邊緣像素；F(x,y)為最大熵閾值分割圖像，如上述圖2所示，F(xiàn)(x,y)取1時為目標，F(xiàn)(x,y)取0時為背景。最大熵閾值分割圖(圖2)和Canny邊緣檢測圖(圖6)經(jīng)式(6)運算處理的結(jié)果為圖8所示。最大熵閾值分割丟失的道路邊緣，經(jīng)Canny邊緣信息重新劃分出來，位于前景目標和背景交界處的道路邊界得到精確保留。

2.3 道路提取

經(jīng)過邊緣信息修正后的最大熵道路分割圖片，其前景道路區(qū)域完整，邊界與背景區(qū)域界線精確清晰。根據(jù)前視車載攝像頭安裝位置得拍攝路面通常位于圖片中間，且修正后的道路區(qū)域為完整的連通域。因此，選擇掃描檢測樣本圖片中央?yún)^(qū)域最大連通域來提取道路。檢測樣本圖片中連通域檢測如圖9所示。根據(jù)限定條件提取的前景道路邊緣存在缺口或路面有裂紋，通過形態(tài)學腐蝕膨脹彌補缺口和裂紋的不足，最終提取的道路二值圖像如圖10所示。

3 隨機一致性算法擬合道路邊界

常用的擬合道路邊界的模型包括直線模型、曲線模型或樣條曲線模型，具有代表性的擬合方法是最小二乘法。最小二乘法不僅可以擬合直線，也可以擬合曲線，但最小二乘法處理數(shù)據(jù)點的運算方式?jīng)Q定了它擬合出的模型要“照顧”所有數(shù)據(jù)點，因此當擬合的數(shù)據(jù)點中出現(xiàn)較遠的噪聲數(shù)據(jù)點時，擬合結(jié)果將出現(xiàn)很大偏差。隨機抽樣一致性算法(Random Sample Consensus，RANSAC)[18-20]與最小二乘法類似，也是估計最優(yōu)數(shù)學模型參數(shù)的方法，但與最小二乘法不同的是，RANSAC算法能夠排除較遠噪聲點干擾，擬合的道路邊界較為準確。最小二乘法曲線擬合與RANSAC曲線擬合實驗對比如圖11所示，其中圖11(a)為道路邊界提取擬合樣本點，存在較遠噪聲點，圖11(b)為RANSAC擬合出的曲線，圖11(c)為最小二乘法擬合的曲線。實驗結(jié)果表明,最小二乘法受噪聲點的干擾嚴重，不能很好的擬合道路邊界，因此本文采用隨機抽樣一致性算法擬合道路邊界線。

本文算法通過掃描分割路面(圖10)的左右邊界點來擬合樣本點，如圖12所示。由于單邊路面邊界樣本點數(shù)量較少，只要設(shè)定固定的迭代次數(shù)就能達到曲線擬合精度要求。RANSAC算法擬合曲線結(jié)果如圖13所示。

4 道路檢測實驗

本文算法采用多種場景道路圖片做檢測試驗，圖像大小為420×240，實驗環(huán)境為：Intel(R) Core(TM) i5-6500，CPU 3.20 GHz，4 GB內(nèi)存，運行系統(tǒng)為Windows7專業(yè)版。本文算法程序運用C++和OpenCV3.0進行編寫，在Visual Studio 2013中實現(xiàn)算法仿真。為證明本算法有效性，采用多種閾值分割算法進行對比分析。

圖14中第1行是4幅具有代表性的原始圖像，從左到右分別表示彎道路面圖像、局部強光道路圖像、樹影道路圖像、雨水道路圖像。圖14中第一行原圖像轉(zhuǎn)為灰度圖后，分別用局部閾值分割、大津算法分割和本文算法做道路分割，結(jié)果如圖14第2、3、4行圖像所示。圖14中第5行為本文算法道路提取結(jié)果。局部閾值分割給出了成像面中的大致信息，雖細節(jié)信息較為完整，但是道路區(qū)域和背景區(qū)域連通域粘連在一起，無法提取完整的道路區(qū)域。對于大津閾值分割，當圖像中包含噪聲和非均勻光照時，道路識別率低或道路缺失如圖14(a)中第3行所示。其道路區(qū)域同樣會與背景區(qū)域雜糅在一起無法提取道路區(qū)域，如圖14(b)中第2行和(d)的第3行所示。

圖14中第4行圖為本文算法分割的道路，由于采用了Canny邊緣信息對道路邊界重新劃分，較好地改善了道路粘連背景的不足，使得道路區(qū)域完整地從圖片中分割出來。第5行為本文算法提取的道路區(qū)域，道路邊界線的擬合結(jié)果如圖15所示。

5 結(jié)束語

本文提出一種基于最大熵和邊緣信息的非結(jié)構(gòu)化道路檢測算法，首先用二維最大熵閾值分割方法把道路大致分為到道路區(qū)域和非道路區(qū)域；然后用Canny邊緣信息重新劃分出最大熵閾值分割丟失的道路邊緣；最后掃描檢測樣本圖片中央?yún)^(qū)域最大連通域提取道路。實驗結(jié)果表明，本文算法能夠有效解決局部強光、樹影、雨水等復雜環(huán)境下的道路分割問題。但是當?shù)缆泛捅尘皡^(qū)域同質(zhì)化嚴重時(如水泥路和背景路邊的建筑物墻壁)仍無法很好地分割出路面。下一步工作是優(yōu)化道路分割算法，并在此基礎(chǔ)上開展有障礙物的非結(jié)構(gòu)化道路檢測。