边界与区域相融合的非结构化道路检测算法_尹建新

—217—边界与区域相融合的非结构化道路检测算法尹建新，莫路锋(浙江林学院信息工程学院，临安 311300)摘 要：为了提高非结构化道路识别算法的有效性，提出在运用图像分类和使用归一化彩色分量进行判断的基础上，充分利用图像的边缘信息，通过将图像边界范围、边界走向趋势与区域分类的结果相融合，得到道路的边界。

使用Kalman 滤波器对道路进行跟踪，处理了由于石阶等原因造成的路面扩大、路与非路交界区模糊难以区分和道路受阴影影响等实际情况。

实验结果表明，该方法简便有效，能适应各种不同的非结构化道路，具有一定的鲁棒性。

关键词：非结构化道路；Kalman 滤波；图像分类；归一化彩色分量Measurement Arithmetic for Unstructured RoadBased on Boundary and RegionYIN Jian-xin, MO Lu-feng(School of Information Science and Technology, Zhejiang Forest University, Lin’an 311300)【Abstract 】In order to enhance the validity for the unstructured road recognition, this paper makes full use of the picture edge information after image classification and judgment of normalized color tristimulus coefficient to get the boundary data of the road through the image boundary scope,the boundary line tendency and the region classification. The following step should be tracking the path with Kalman Filter(KF), which solves the problem of road surface expansion, vagueness in road and un-road border area and shadow influence due to stone steps. The experimental result indicates that this simple and effective method adapts to every kind of different unstructured road and has certain robustness. 【Key words 】unstructured road; Kalman Filter(KF); image classification; normalized color计 算 机 工 程Computer Engineering 第34卷 第15期Vol.34 No.15 2008年8月August 2008·人工智能及识别技术·文章编号：1000—3428(2008)15—0217—03文献标识码：A中图分类号：TP391.41智能车自主导航时采用何种导航方式，以及道路检测算法的实时性与鲁棒性等，一直是研究的一个探索热点[1-3]，采用机器视觉导航是当前导航技术研究领域的主流方向[4-6]。

要使智能车能够自主导航，它必须能够跟踪道路的变化和检测车道内的障碍物。

目前，对结构化道路环境的识别算法已经相对成熟，而对于非结构化道路环境来说，由于这类道路没有车道线和清晰的道路边界，加上户外的自然场景受季节、光照、阴影和水迹地等影响，道路区域和非道路区域难以区分，因此针对非结构化道路的检测技术尚处于研究阶段[6]。

1 算法分析道路图像的分割算法既要讲究分割的准确性，也要考虑处理速度。

通过对现有道路图像分割算法的研究，结合道路图像的彩色信息特征和道路边缘信息特征，提出了一种简单、有效的道路图像实时分割算法：(1)本文对非结构化道路算法先采用基于道路知识的区域分割法得到基本的可通行范围；(2)选用边缘检测法得到道路边界，使用不同的彩色分量和图像的边缘信息，对分割的结果进行修正和约束，再把范围和边界进行融合，得到准确的可通行区域；(3)通过道路曲线模型和Kalman 滤波器对道路的边界进行跟踪和预测。

实验结果表明，该方法具有较高的实时性，符合智能车辆实时导航的要求。

该算法具体流程如图1所示。

图1 算法流程2 图像处理2.1 图像预处理图像在数字化过程中会产生随机噪声，直接进行直方图作者简介：尹建新(1973－)，女，讲师、硕士，主研方向：模式识别，数字图像处理，计算机视觉；莫路锋，讲师、博士研究生 收稿日期：2007-08-07 E-mail ：yjxzlm@—218—分割一般都会有小峰，影响到图像的进一步分析。

去噪技术一直都是图像处理的一个重要课题，在除去噪声的同时应尽量地保留边缘。

本文中处理的方式是使用3×3滑动窗口的中值滤波和高斯金字塔降噪滤波[7]。

中值滤波法是常用的图像去噪方法，能较好地滤除椒盐类噪声。

但中值滤噪同时也模糊了图像的细节，而高斯金字塔是一种多分辨的信号分析和表示方法，它将图像分解为不同空间分辨率的图像簇，以便提取不同层次的结构特征，并且可用这些图像簇精确重构原图像。

试验结果证明在中值滤噪的图像上使用高斯金字塔降噪技术，可以全面地消除随机噪声的影响，大大改善图像的质量，较好地保留清晰的图像边界[8]。

2.2 彩色变换通过实验发现，道路颜色一般是比较均匀的，而且在分布上基本有规律可寻。

对于采集到的彩色道路图像，直接在RGB 空间上分割比较困难，所以需要先进行彩色变换，把RGB 三维降到一维，然后利用灰度图像分割把道路和非路分开。

考虑到降维后丢失了一部分信息，因此采用多种彩色变换来得到较好的结果。

考虑到路面颜色的分布范围，在本文中采用如下3个彩色变换：123()/3128128I R G B I B R I B G =++⎧⎪=−+⎨⎪=−+⎩ 其中，I 1是亮度，是最主要的区分道路和非路的特征，一般而言，在图像中道路和非路在亮度上差别最大，因此它是作为主要特征来得到图像的初步分割；I 2, I 3反映了颜色偏蓝的程度，一般而言，道路的颜色往往是中性灰略偏蓝，而道路阴影部分由于光源主要来自天空的反射光，因此一般更偏蓝一些，而水迹如果不是反射周围场景，则一般也都是黑中带蓝，而对于组成非路的如泥土、植物等往往是偏绿、偏红或偏黄，因此它们是作为分类器进一步细分图像所依据的特征。

2.3 直方图分割通过直方图对预处理的图像进行分割，对于相邻的2个峰之间的分界，根据谷的形状采用了如下的策略：(1)对于尖锐的谷，采用谷点求阈值；(2)对于平坦的谷，采用类间距离最大的方法来求阈值。

这样做是因为求谷点比类间距离最大所需要的计算量小，而大部分情况下遇到的谷都属于比较尖锐的，所以，这样可以减少平均计算量。

3 后处理图形即使在预处理以后仍然可能存在一些小峰，因此，这时得到的峰还需要根据以下3个原则将假峰删除：原则1 真峰必须具有一定的峰高。

原则2 真峰必须具有一定的面积。

原则3 真峰必须具有一定的峰谷比。

对直方图进行分析，只有1个明显的峰，根据其均值和方差将1个峰分成2个部分。

有2个明显的峰，直接将图像二值化。

有2个以上的明显峰，则通过合并成3个峰，具体选择方法为：道路平均值所在的峰为一个峰，其他的合成 2个峰。

3.1 双峰情况的后处理使用归一化图像分量对2个峰的情况进行再判断直方图分割以后，原始图像被分成了2类。

对于这个分类的结果，要防止在2类中可能存在的错误分类。

一般如果存在分类错误，则错误往往是在2个峰尖之间的那些灰度级，因此，对于2类的情况，将对2个峰尖一定范围的灰度级做重新判断，如图2所示。

非路区域所属峰需要重新判断道路均值所属峰图2 直方图为2个峰的情况归一化分量：,,R G Br g b R G B R G B R G B===++++++ (1)通常，分类出错源于光照的强弱和一些局部阴影的影响，同时还可能受到相机电源的干扰，为了尽量少受这些情况的影响，算法中采用了通常所使用的减弱光照强度和阴影影响的方法——归一化彩色分量法。

对于每一个彩色分量，通过除以亮度(R +G +B )来获得相应的归一化图像分量，对于归一化的图像分量，一方面可除去亮度对整个图像的影响，另一方面还能减弱外界干扰并能充分利用周围环境的彩色信息。

判断准则：首先将道路均值所在的一类划为路面类road ，该类的中心为C 1，其他的为非路面类~road ，该类的中心为C 2，2个峰尖的中点为l 。

122C C l += (2)对在峰尖中点一定范围内的灰度级所对应的像素点进行重新归类。

~if (())()~elsei road i road i road dis value Nmean dis value Nmean w road −<−⎧∈⎨⎩(3) 其中，i w 是原始灰度值满足|grew (w i )-l|<Thr 的像素点；Thr是离2个峰尖中点的一定范围值；value i 为对应的W i 的归一化值；~,road road Nmean Nmean 分别是由前一帧图像得到的道路区域和非路区域在当前帧对应区域的归一化平均值。

如果是第一帧，道路区域选取图像上方一小块区域作为道路区域，而非路区域则选取非路类中灰度级与l 相差Thr 以外的那些像素点所在的区域。

3.2 多峰情况的后处理对比道路均值所在峰灰度低的那部分进行阴影的判断，如图3所示。

非路区域所属峰道路均值所属峰非路区域所属峰在该峰下进行阴影的判断图3 直方图为3个峰的情况设每个像素点的RGB 分量分别为r ,g ,b ，与道路区域的平均RGB 分量为rm ,gm ,bm 。

相应的分量差为bg =b -g ,br =b -r , bmgm =bm -gm ,bmrm =bm -rm 。

根据研究表明，在阴影区域，RGB 分量在同时衰减的情况下，蓝色分量衰减得最少，绿色分量次之，红色分量衰减得最多。

因此，当bg >bmgm 且br >bmrm 时，表明像素点是在阴影下的道路区域中的点，将该点归为道路区域，反之则归为非路区域。

—219—4 获取图像的基本范围如果仅仅对原始图像进行边缘提取，将会得到很多虚假的边界，而这些边界将严重影响最后的融合结果。