《車載智能技術(shù)》

無人駕駛汽車環(huán)境感知-非結(jié)構(gòu)化道路檢測主講人：黃侃江西交通職業(yè)技術(shù)學(xué)院非結(jié)構(gòu)化道路檢測針對非結(jié)構(gòu)化道路邊界檢測效率與魯棒性之間難以平衡的問題，在HSI色彩空間中采用K-means聚類方法對非結(jié)構(gòu)化道路圖像飽和度分量進(jìn)行分割以獲得道路區(qū)域和非道路區(qū)域;利用基于置信概率的分塊方法對道路圖像進(jìn)行分塊，并提取道路邊界特征點(diǎn);構(gòu)建二次曲線模型，運(yùn)用改進(jìn)的最小二乘法擬合道路邊界。非結(jié)構(gòu)化道路檢測非結(jié)構(gòu)化道路相較于結(jié)構(gòu)化道路沒有明顯的道路標(biāo)志和清晰的道路邊界，且易受光照變化、陰影和水跡等因素的影響，使得道路區(qū)域和非道路區(qū)域難以區(qū)分。在這種復(fù)雜的場景下，傳統(tǒng)的道路圖像分割方法容易造成道路區(qū)域誤分割，不利于后續(xù)道路模型參數(shù)求解。通過分析發(fā)現(xiàn)，對于非結(jié)構(gòu)化道路圖像，其道路區(qū)域與非道路區(qū)域在顏色、紋理等特征上差別較大，因此，這里從彩色圖像出發(fā)，進(jìn)行非結(jié)構(gòu)化道路圖像分割。一、基于HSI色彩空間飽和度分量的道路圖像分割將非結(jié)構(gòu)化道路圖像從RGB色彩空間轉(zhuǎn)換到HSI色彩空間，并將H、S、I分量分別提取出來，如圖4-7所示。一、基于HSI色彩空間飽和度分量的道路圖像分割由圖4-7可以看出，對于色度分量來說，道路區(qū)域和非道路區(qū)域有一定的差別，但很容易受到陰影、水漬等外界因素的干擾;對于亮度分量來說，道路區(qū)域和非道路區(qū)域界限不明顯;對于飽和度分量來說，道路區(qū)域和非道路區(qū)域差別較大，且對外界干擾因素不敏感。因此，采用K-means聚類算法對HSI色彩空間中的飽和度分量進(jìn)行非結(jié)構(gòu)化道路圖像分割。結(jié)合非結(jié)構(gòu)化道路圖像的實(shí)際情況，初始聚類中心由飽和度分量直方圖的極值點(diǎn)確定。為了防止陷入局部最優(yōu)，限定兩極值點(diǎn)的像素值之差大于一定閾值，與極值點(diǎn)像素值相同的像素點(diǎn)應(yīng)超過一定的數(shù)量。一、基于HSI色彩空間飽和度分量的道路圖像分割為了說明上述方法的有效性，采用二維最大熵法和本文方法分別對非結(jié)構(gòu)化道路圖像進(jìn)行圖像分割，對比結(jié)果如圖4-8所示。可以看出，本文方法相較于二維最大熵法對陰影的抗干擾能力更強(qiáng)。二、道路邊界特征點(diǎn)提取實(shí)際情況中，非結(jié)構(gòu)化道路的道路區(qū)域和非道路區(qū)域的像素一般是連續(xù)且相似的。基于此特性，一種僅對含有道路邊界的塊進(jìn)行分析的分塊分類方法被提出，其實(shí)時(shí)性較高。但該方法僅僅利用四個(gè)頂點(diǎn)的像素屬性對分塊的類別進(jìn)行判斷，因此很容易受噪聲的干擾造成誤分類。針對該問題，對上述方法進(jìn)行改進(jìn)，將頂點(diǎn)擴(kuò)展成頂點(diǎn)區(qū)域，并引入置信概率對分塊類別進(jìn)行判斷。具體方法為:1根據(jù)頂點(diǎn)區(qū)域內(nèi)像素點(diǎn)的屬性判斷其所屬類別。2根據(jù)分塊中四頂點(diǎn)區(qū)域的類別及置信概率對分塊進(jìn)行分類。3對分類結(jié)果進(jìn)行修正。二、道路邊界特征點(diǎn)提取對所有分塊進(jìn)行初始分類后，因受噪聲及其他干擾因素的影響，部分分塊的類別可能會(huì)出現(xiàn)誤判。設(shè)定混合區(qū)域分塊只出現(xiàn)在道路區(qū)域與非道路區(qū)域之間。對道路圖像所有分塊按行遍歷，測試所有混合塊的左右分塊屬性類別，若屬性不同，則不做修正;若屬性相同，則測試該混合塊的置信概率。通過基于置信概率的修正方法可以將大部分誤判斷分塊進(jìn)行修正，但也可能仍存在部分分塊未得到修正。對于這部分，交由后續(xù)道路邊界特征點(diǎn)及曲線擬合階段進(jìn)行處理。經(jīng)過上述方法得到包含道路邊界的混合區(qū)域后，以每個(gè)混合分塊的左右邊框中點(diǎn)連線作為待處理線段，并以其縱坐標(biāo)所在水平線作為掃描線對道路邊界點(diǎn)進(jìn)行提取。具體步驟為:二、道路邊界特征點(diǎn)提取(1)對所有混合分塊待處理線段上的像素點(diǎn)進(jìn)行屬性判別。(2)從圖像底端開始掃描，獲得候選道路子線段，即掃描線上連續(xù)的道路像素點(diǎn)集合;掃描結(jié)束后，得該掃描線上候選道路子線段集合。選取最長的候選道路子線段，然后歸并與該子線段端點(diǎn)距離較近的候選道路子線段。以此類推，得最終道路線段。(3)將掃描線向上移動(dòng)，重復(fù)步驟(2)，直到所有掃描線均被處理完為止。(4)提取道路邊界點(diǎn)。對于左邊界，提取道路線段的左端點(diǎn);對于右邊界，提取道路線段的右端點(diǎn)，最終得到左右邊界點(diǎn)的集合。三、道路建模及擬合基于非結(jié)構(gòu)化道路的實(shí)際情況并結(jié)合實(shí)時(shí)性的要求，這里選取二次曲線模型，并利用最小二乘法擬合道路邊界。為了解決該擬合方法對異常值敏感度高的缺點(diǎn)，對其進(jìn)行改進(jìn)，以擬合左邊界為例，具體方法為:(1)將提取的道路邊界特征點(diǎn)按照縱坐標(biāo)由小到大進(jìn)行排列，并均等分成n份，從每份中隨機(jī)選取1個(gè)點(diǎn)，共計(jì)n個(gè)邊界特征點(diǎn)，然后從這n個(gè)邊界特征點(diǎn)中隨機(jī)選取3個(gè)點(diǎn)，直接求解二次曲線模型參數(shù)q=（a，b，c）T。(2)使用模型參數(shù)q對所有邊界點(diǎn)進(jìn)行劃分，當(dāng)誤差滿足式(4-2)時(shí)，則認(rèn)為該點(diǎn)屬于集合S。×××三、道路建模及擬合式中，t1為給定閾值。(3)當(dāng)集合S中邊界點(diǎn)的個(gè)數(shù)m超過一定閾值，即m>t2(t2指正確模型包含最少內(nèi)點(diǎn)數(shù)量)時(shí)，運(yùn)用最小二乘法對集合S進(jìn)行擬合，得出新的模型參數(shù)q*=(a*，b*，c*)T。(4)計(jì)算新模型參數(shù)下二次函數(shù)最大曲率。三、道路建模及擬合因道路實(shí)際曲率比較小，因此設(shè)定閾值t3，當(dāng)Curvaturemax>t3時(shí)，則舍棄新模型參數(shù)