黃閩江，劉康，陳勇，徐則中

(常州工學院計算機信息工程學院，江蘇 常州 213032)

0 引言

道路檢測是智能車自主導航的關鍵內(nèi)容，特別是在非結(jié)構(gòu)化道路場景，需要快速準確地檢測出道路可行駛區(qū)域。研究復雜場景下的非結(jié)構(gòu)化道路檢測，對無人車導航系統(tǒng)具有重要意義。

現(xiàn)實中的道路一般分為結(jié)構(gòu)化道路和非結(jié)構(gòu)化道路。結(jié)構(gòu)化道路具有清晰的道路邊界和標志線，已有成熟的車道線檢測技術。非結(jié)構(gòu)化道路通常沒有明顯的道路邊界和標志線，并且受到陰影、水跡等影響，導致路面檢測更加困難。

目前關于非結(jié)構(gòu)化道路檢測的方法主要有三類：①基于道路特征的檢測方法。該方法依靠路面本身的特征檢測道路可行駛區(qū)域。先提取路面顏色[1]、灰度[2]、紋理[3]、熵[4]等特征，然后利用區(qū)域增長或聚類方法提取道路可行駛區(qū)域[5]。此方法不需要大量先驗樣本和道路模型假設，但容易受到陰影和水跡等的影響。②基于道路模型的檢測方法。該方法先假設路面的形狀，建立對應的道路模型，然后對道路模型進行擬合，得到道路邊界線[6-7]。Moghadam等[8-9]為了有效地檢測道路模型，提出了基于道路消失點的道路模型檢測方法。此方法對路面光照、陰影、水跡具有很好的魯棒性，但是很難對復雜多變的路面形狀進行準確建模。③基于神經(jīng)網(wǎng)絡的檢測方法。該方法運用大量的道路樣本對神經(jīng)網(wǎng)絡模型進行訓練，基于網(wǎng)絡模型識別可行駛路面[10-11]，檢測精度高，但需要大量訓練樣本，識別出道路像素后還需要進一步處理。

除了在圖像空間進行處理外，還可以通過對道路圖像進行逆透視變換，在物理空間進行非結(jié)構(gòu)化道路檢測[12-13]。道路邊界在圖像中是相交的，而在物理空間中，道路邊界呈現(xiàn)為近似平行的直線或曲線。通過逆透視變換，把道路特征從圖像空間變換到物理空間，從而利用道路邊界的平行約束條件，進行非結(jié)構(gòu)化道路檢測。此方法需要消除透視成像對路面檢測的影響[14]，以提高道路檢測的準確率和魯棒性。

本文針對非結(jié)構(gòu)化道路存在著光照、陰影和水跡等各種干擾情況，將S分量圖像進行逆透視變換，在物理空間上運用改進的Hough變換[15]，可直接精確檢測路面可行駛區(qū)域。

1 圖像預處理

1.1 空間變換

由于非結(jié)構(gòu)化道路會受到光照、陰影和水跡等的影響，在道路圖像中，路面的灰度特征并不明顯，因此很難依據(jù)灰度特征來識別可行駛路面區(qū)域，如圖1(a)所示。將圖1(a)進行灰度變換后，得到的圖像如圖1(b)所示。

為了更好地檢測路面可行駛區(qū)域，把采集的RGB圖像轉(zhuǎn)換成HSV圖像，其中，H、S、V分別表示色調(diào)、飽和度、明度，并提取S分量，如圖1(c)所示，用于后續(xù)的處理。

(a)原始圖像

1.2 逆透視變換

從圖1(c)的S分量圖像可以看出，路面的整體亮度比較低，可以綜合運用閾值分割和區(qū)域增長技術，分割道路可行駛區(qū)域。由于路面邊界并不清晰，路面區(qū)域也包含一些白色的干擾像素，因此直接在S分量圖像上檢測路面可行駛區(qū)域，比較困難。

為此，將S分量圖像進行逆透視變換，從圖像空間變換到物理空間，從圖像坐標系變換到世界坐標系，如圖2所示。

圖2 世界坐標系下的道路圖像

道路圖像經(jīng)過逆透視變換后，消除了路面的透視成像影響。道路邊界線近似平行，路面可行駛區(qū)域呈現(xiàn)為一個近似線性區(qū)域。

2 線性區(qū)域檢測

標準的Hough變換廣泛用于檢測直線或曲線，但是必須事先進行邊緣檢測，只有提取道路邊緣點后，才能運用Hough變換檢測道路邊界線。通過對Hough 變換進行改進，無需進行邊緣檢測，直接運用黑點進行Hough投票。通過分析投票的統(tǒng)計均值和統(tǒng)計方差，運用函數(shù)擬合技術，計算線性區(qū)域的中心、方向、長度和寬度，進而得到整個線性區(qū)域的矩形表示。具體步驟如下：

步驟1：所有黑點向一個2D數(shù)組進行Hough投票；

步驟2：搜索最大投票值，也稱作峰值，在峰值周圍選擇11列；

步驟3：計算11列的統(tǒng)計均值m(θ)、統(tǒng)計方差σ2(θ)；

步驟4：把統(tǒng)計方差擬合成一個二次函數(shù)，根據(jù)擬合的系數(shù)計算線性區(qū)域的方向、長度、寬度；

步驟5：把統(tǒng)計均值擬合成一個線性函數(shù)，根據(jù)擬合的系數(shù)計算線性區(qū)域的中心坐標；

步驟6：運用改進的Hough變換，得到路面區(qū)域的中心、方向、長度和寬度。然后計算4個頂點坐標，組成一個矩形框，表示路面可行駛區(qū)域，如圖3所示。

圖3 檢測到的線性區(qū)域

盡管道路邊界不是完全線性的，整個路面也不是一個完整的線性區(qū)塊，但通過改進的Hough變換，可以檢測到一個矩形框，用于表示路面可行駛區(qū)域。

3 實驗結(jié)果

選擇不同的非結(jié)構(gòu)化道路圖像，運用本文提出的方法對道路圖像進行處理，檢測道路可行駛區(qū)域。原始道路圖像和對應的處理結(jié)果如圖4所示。

(a)原始圖像1(b)原始圖像1的檢測結(jié)果(c)原始圖像2(d)原始圖像2的檢測結(jié)果

在圖4(a)中，道路的邊界不明顯，路面上存在水跡。無論是灰度圖像，還是S分量圖像，都很難分割出道路可行駛區(qū)域，因此通過變換到物理空間，運用改進的Hough變換直接檢測路面可行駛區(qū)域，如圖4(b)所示。在圖4(c)中，路面上有雜草覆蓋，邊界也不清晰。運用本文提出的方法，檢測出可行駛的路面區(qū)域，如圖4(d)所示。

本文提出的道路檢測方法的主要創(chuàng)新之處是經(jīng)過逆透視變換后，選用改進的Hough變換區(qū)域算法檢測道路可行駛的矩形區(qū)域。與同類檢測方法進行對比，檢測的結(jié)果如表1所示，改進的Hough變換區(qū)域算法檢測出一個矩形，即圖像中連通的黑色區(qū)域，常規(guī)Hough直線算法顯示了4個最高投票值對應的直線。

在表1中分別顯示了3個非結(jié)構(gòu)化道路圖像及檢測結(jié)果，其中第1列分別是雜草道路、陰影道路和水跡泥濘道路，第2列是文中提出的基于改進的Hough變換區(qū)域算法的道路檢測結(jié)果，第3列是基于常規(guī)Hough變換直線算法的道路檢測結(jié)果。

在表1第1行，原始圖像顯示路面中間被雜草覆蓋。基于區(qū)域像素的改進Hough區(qū)域算法檢測出一個表示路面可行駛區(qū)域的矩形?；谶吘夵c的常規(guī)Hough直線算法受到雜草干擾，檢測出4條直線，錯誤地把雜草邊緣也檢測為路面邊界。

在表1第2行，原始圖像顯示路面上有陰影。改進的Hough區(qū)域算法檢測出一個矩形來表示路面可行駛區(qū)域。常規(guī)Hough直線算法受到陰影干擾，除了檢測出道路邊界，還錯誤地檢測出2條額外的直線。

表1 非結(jié)構(gòu)化道路檢測結(jié)果對比

在表1第3行，原始圖像顯示一條泥濘的道路，路面有水跡。改進的Hough區(qū)域算法檢測出一個矩形，近似路面可行駛區(qū)域。常規(guī)Hough直線算法受到水跡干擾，檢測出4條直線，錯誤地把水跡邊緣也檢測為路面邊界。

改進的Hough變換算法，直接運用圖像中連通的黑色像素進行投票，通過二次函數(shù)和線性函數(shù)擬合，得到一個矩形，即圖像中連通的黑色區(qū)域。該算法不需要進行邊緣檢測，與圖像中的邊緣點無關，具有更好的魯棒性。

4 結(jié)論

為了提高非結(jié)構(gòu)化道路檢測的魯棒性，考慮到路面的陰影、水跡等影響，利用HSV圖像的S分量，可以更好地區(qū)分道路的可行駛區(qū)域；把S分量圖像進行逆透視變換，路面呈現(xiàn)為一個近似的線性區(qū)域；運用改進的Hough變換，忽略邊緣檢測，通過函數(shù)擬合得到路面可行駛區(qū)域。