论文部分内容阅读
摘 要：本文首先介绍了什么是结构化道路什么是非结构化道路，然后主要介绍目前较为常用的三种非结构化道路的识别方法，即基于道路特征的方法、基于道路模型的方法和基于神经网络的方法。以及在各自方法中已经实现的具体的一些算法的思想，最后总结了三种方法的优缺点。
关键字：非结构化道路;道路识别;道路特征;道路模型;神经网络
Abstract: this paper first introduced the what is structured way what is structured road, then this article introduces the more commonly used three kinds of unstructured road identification method, which based on the method of road features, based on the method of road model based on the method of neural network. And in their respective methods have been realized some of the algorithm of the specific ideas, finally summarized the advantages and disadvantages of the three methods.
Key word: unstructured road; Road identification; Road features; Road model; Neural network
引言
自主驾驶是目前研究的一个热点，而道路识别是自主驾驶系统中的一个重要组成部分，一些车辆行驶在路况极为恶劣的乡间道路或无路的野外环境下。野外环境复杂度较高，地表粗糙而又崎岖不平，对车辆的通过性构成了潜在的威胁。要使车辆在野外环境下实现自主驾驶，就需要对非结构道路进行识别。道路检测的成功与否决定了车辆能否正确识别当前的道路环境。因而，道路检测是自主驾驶车辆的关键技术之一。
1 结构化道路和非结构化道路
结构化道路一般是指高速公路和部分结构化较好的公路，这类道路具有清晰的车道线和道路边界，车道线一般为白色或黄色的连续线或短划线，非结构化道路一般指结构化程度较低的道路，例如城市交通道路、乡村道路等。
在车辆自主驾驶系统中，道路识别是非常重要的，目前结构化道路识别技术已日趋成熟，而非结构化道路识别相对结构化道路检测已成为研究热点，因此，研究非结构化道路的识别问题具有极其重要的现实意义。
2 常用的非机构化道路的识别方法
非结构化道路没有车道线和清晰的道路边界，道路的形状多种多样，路面的等级较低，道路周边的环境复杂，使得道路区域和非道路区域的区分有很大难度。再者，高光、相互反射等问题在非结构化道路中仍然存在，这就使得非结构化道路检测技术研究面临很大的困难。目前，针对非结构化道路的道路检测技术尚处于研究阶段[1] [2]。
目前来说，针对非结构化道路的检测算法主要有三种：基于道路特征的方法、基于道路模型的方法和基于神经网络的方法。
2.1基于道路特征的方法
基于道路特征的方法主要包括基于区域特征的方法和基于边缘特征的方法。前者是通过道路区域和背景区域像素点之间色彩、纹理、亮度等的差异来划分。一般对非结构化道路采用这种算法比较好。后者基于边缘特征的方法是通过路面和非路面之间的特征突变来寻找道路边缘，再通过道路边缘识别识别道路区域，但对于非结构化道路的边缘不够清晰的情况下此种算法不适用，针对于此，将区域法和边缘特征法结合起来取各自的长处进行非结构化道路的识别。例如程洪，郑南宁等提出了一种基于图像非同质性特征和几何模型的道路识别方法[3]。该算法将计算得到图像局部方差与不连续性特征进行融合获得图像的非同质性特征，利用比例直方图法得到的阈值自适应地对上述结果二值化，然后用鲁棒M估计器估计样条拟合的最优控制点，进而用3点Catmull-Rom样条拟合处道路边界。
2.2 基于道路模型的方法
首先假设出道路模型，然后根据图像找出最匹配的道路模型。例如，清华大学以 THMR-V 型移动机器人为试验平台在校内公路上进行了非结构化道路的识别研究，实现了较好的识别效果，试验图片如上图所示。该方法假设道路相对平坦并且具有直线型的道路边界，首先运用 2*2 模板对图像进行模糊化处理，减小数据量的同时消除地面裂纹的影响，然后使用灰度级数学形态学算子来增强和提取图像边缘，利用区域标注将图像分割成互不相通的几部分，并通过判断区域中心是否在所设定的道路模型上来判定该区域是否是道路部分。整个算法耗时 81ms。由于实施了模糊预处理，因此这种方法丢失了一些边缘信息，且没有利用路面颜色的连续性这一信息[4]。
2.3 基于神经网络的方法
利用神经网络的学习特性来实现对道路的识别。例如，吉林大学的刘子辉等，利用BP神经网络实现了非结构化道路的识别算法，算法根据实际采集的图片样本，利用熵、能量等纹理特征值作为具有恰当结构的 BP 网络的输入层，隐层设置有 20 个节点，输出层设置 1 个节点来进行网络的训练。训练完成后得到网络的权值矩阵和阈值矩阵，然后将待判别图片中的每一个10× 10 区域的纹理特征值依次送至 BP 网络的输入层，经过运算判别小区域的属性，直至完成整幅图像所有区域的判别[5]。
3 各种非结构化道路识别方法优缺点的比较
各种非结构化的道路识别方法都有各自的优缺点，其优缺点比较如表1-1所示。
4 总结
本文主要介绍了目前较为常用的三种非结构化道路的识别方法，即基于道路特征的识别方法、基于模型的识别方法和基于神经网络的识别方法以及目前在各自方法中已经实现的具体的一些算法的思想，同时在最后总结了三种方法的优缺点。
参考文献：
[1]王京起， 陈慧岩.陆地自主车辆研究概况[J] .车辆与动力技术，2000(9)：56-61
[2]邵亮.基于 FPGA 和嵌入式系统的实时图像处理[D].杭州：浙江大学，2005
[3]程洪,郑南宁,赵莉,李青.一种基于图像非同质性特征和几何模型的道路识别方法[J],西安交通大学学报.2004(38):384-387
[4] Yang Ming，Lu Jianye，etc. Vision-based real-time Vehicle Guidance onTHMR-V Part I：Unstructured Road Detection[C]. Proceedings of theInternational Symposium on Test and Measurement(ISTM'01)，Shanghai，June 1-3，2001，Vol. 1：365-368
[5]刘子辉，军用无人驾驶车辆非结构化道路识别方法研究[D]：吉林；吉林大学，2007.
关键字：非结构化道路;道路识别;道路特征;道路模型;神经网络
Abstract: this paper first introduced the what is structured way what is structured road, then this article introduces the more commonly used three kinds of unstructured road identification method, which based on the method of road features, based on the method of road model based on the method of neural network. And in their respective methods have been realized some of the algorithm of the specific ideas, finally summarized the advantages and disadvantages of the three methods.
Key word: unstructured road; Road identification; Road features; Road model; Neural network
引言
自主驾驶是目前研究的一个热点，而道路识别是自主驾驶系统中的一个重要组成部分，一些车辆行驶在路况极为恶劣的乡间道路或无路的野外环境下。野外环境复杂度较高，地表粗糙而又崎岖不平，对车辆的通过性构成了潜在的威胁。要使车辆在野外环境下实现自主驾驶，就需要对非结构道路进行识别。道路检测的成功与否决定了车辆能否正确识别当前的道路环境。因而，道路检测是自主驾驶车辆的关键技术之一。
1 结构化道路和非结构化道路
结构化道路一般是指高速公路和部分结构化较好的公路，这类道路具有清晰的车道线和道路边界，车道线一般为白色或黄色的连续线或短划线，非结构化道路一般指结构化程度较低的道路，例如城市交通道路、乡村道路等。
在车辆自主驾驶系统中，道路识别是非常重要的，目前结构化道路识别技术已日趋成熟，而非结构化道路识别相对结构化道路检测已成为研究热点，因此，研究非结构化道路的识别问题具有极其重要的现实意义。
2 常用的非机构化道路的识别方法
非结构化道路没有车道线和清晰的道路边界，道路的形状多种多样，路面的等级较低，道路周边的环境复杂，使得道路区域和非道路区域的区分有很大难度。再者，高光、相互反射等问题在非结构化道路中仍然存在，这就使得非结构化道路检测技术研究面临很大的困难。目前，针对非结构化道路的道路检测技术尚处于研究阶段[1] [2]。
目前来说，针对非结构化道路的检测算法主要有三种：基于道路特征的方法、基于道路模型的方法和基于神经网络的方法。
2.1基于道路特征的方法
基于道路特征的方法主要包括基于区域特征的方法和基于边缘特征的方法。前者是通过道路区域和背景区域像素点之间色彩、纹理、亮度等的差异来划分。一般对非结构化道路采用这种算法比较好。后者基于边缘特征的方法是通过路面和非路面之间的特征突变来寻找道路边缘，再通过道路边缘识别识别道路区域，但对于非结构化道路的边缘不够清晰的情况下此种算法不适用，针对于此，将区域法和边缘特征法结合起来取各自的长处进行非结构化道路的识别。例如程洪，郑南宁等提出了一种基于图像非同质性特征和几何模型的道路识别方法[3]。该算法将计算得到图像局部方差与不连续性特征进行融合获得图像的非同质性特征，利用比例直方图法得到的阈值自适应地对上述结果二值化，然后用鲁棒M估计器估计样条拟合的最优控制点，进而用3点Catmull-Rom样条拟合处道路边界。
2.2 基于道路模型的方法
首先假设出道路模型，然后根据图像找出最匹配的道路模型。例如，清华大学以 THMR-V 型移动机器人为试验平台在校内公路上进行了非结构化道路的识别研究，实现了较好的识别效果，试验图片如上图所示。该方法假设道路相对平坦并且具有直线型的道路边界，首先运用 2*2 模板对图像进行模糊化处理，减小数据量的同时消除地面裂纹的影响，然后使用灰度级数学形态学算子来增强和提取图像边缘，利用区域标注将图像分割成互不相通的几部分，并通过判断区域中心是否在所设定的道路模型上来判定该区域是否是道路部分。整个算法耗时 81ms。由于实施了模糊预处理，因此这种方法丢失了一些边缘信息，且没有利用路面颜色的连续性这一信息[4]。
2.3 基于神经网络的方法
利用神经网络的学习特性来实现对道路的识别。例如，吉林大学的刘子辉等，利用BP神经网络实现了非结构化道路的识别算法，算法根据实际采集的图片样本，利用熵、能量等纹理特征值作为具有恰当结构的 BP 网络的输入层，隐层设置有 20 个节点，输出层设置 1 个节点来进行网络的训练。训练完成后得到网络的权值矩阵和阈值矩阵，然后将待判别图片中的每一个10× 10 区域的纹理特征值依次送至 BP 网络的输入层，经过运算判别小区域的属性，直至完成整幅图像所有区域的判别[5]。
3 各种非结构化道路识别方法优缺点的比较
各种非结构化的道路识别方法都有各自的优缺点，其优缺点比较如表1-1所示。
4 总结
本文主要介绍了目前较为常用的三种非结构化道路的识别方法，即基于道路特征的识别方法、基于模型的识别方法和基于神经网络的识别方法以及目前在各自方法中已经实现的具体的一些算法的思想，同时在最后总结了三种方法的优缺点。
参考文献：
[1]王京起， 陈慧岩.陆地自主车辆研究概况[J] .车辆与动力技术，2000(9)：56-61
[2]邵亮.基于 FPGA 和嵌入式系统的实时图像处理[D].杭州：浙江大学，2005
[3]程洪,郑南宁,赵莉,李青.一种基于图像非同质性特征和几何模型的道路识别方法[J],西安交通大学学报.2004(38):384-387
[4] Yang Ming，Lu Jianye，etc. Vision-based real-time Vehicle Guidance onTHMR-V Part I：Unstructured Road Detection[C]. Proceedings of theInternational Symposium on Test and Measurement(ISTM'01)，Shanghai，June 1-3，2001，Vol. 1：365-368
[5]刘子辉，军用无人驾驶车辆非结构化道路识别方法研究[D]：吉林；吉林大学，2007.