基于多特征准则改进区域生长非结构化道路识别.docVIP

基于多特征准则改进区域生长非结构化道路识别 　　摘要：针对非结构化道路识别困难和传统区域生长算法随机性大的问题，提出了一种多特征准则改进区域生长的非结构化道路检测算法。融合Otsu多阀值理论平滑滤波确定道路平滑度特征，利用平滑度、饱和度、色度构造融合特征。将多特征融入改进区域生长算法中，针对非结构化道路进行识别。结果表明，该算法能有效区分非结构化道路与环境信息，相比传统区域生长能有效排除相似环境区域的干扰，减少误判率 关键词：多特征；改进区域生长；非结构化道路；融合识别 中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）35-0200-02 随着无人驾驶系统需求的增长，基于机器视觉的道路识别技术成为目前研究的热点[1-3]。目前识别算法主要有：基于道路特征的算法，主要应用道路与背景区域差异的统计特征（如边缘梯度[4]，道路方向[5]等[6]）来实现分割。基于模型的算法[7]。 基于神经网络的算法 [8-9] 区域生长（region seeds growing，RSG）以“种子点”向外延伸的生长方式，可有效避免识别区域外的干扰[10-11]，但针对非结构化道路，传统区域生长算法随机性大、识别后边界模糊。鉴于上述，本文研究并提出一种基于多特征准则改进区域生长的非结构化道路识别算法，定义融合Otsu算法[12]与自适应滤波器的道路平滑度特征，结合区域生长与融合特征算法优势，更符合人眼识别道路“由近及远”的特点，能够更有效地识别非结构化道路 1 融合特征构造 1.1融合Otsu算法与自适应滤波器的道路平滑度特征 本文采用自适应控制的局部平滑滤波，突出兴趣范围内平滑度特征。滤波器设计如下： 利用Otsu算法将（i， j）邻域E内元素根据像素值大小分为A， B两类，对应个数为a， b。则有滤波后像素值大小： [I（i，j）=n=1NI（k，l）nN] 式中：[N=max（a，b）]，[I（k，l）n]为中心点邻域内，第n个数量占优部分像素值 如图1，相比于Canny边缘检测，图像物体内部边缘信息明显减少。平滑度特征定义为： [P（?）=m=1?2C?] 式中Cα为单个步长内边缘点个数，步长[?=20] 1.2基于HSV空间模型的图像颜色特征 在颜色特征提取方面，选择了符合人的视觉感知的HSV模型。通过亮度分量V和色度分量H、?和度分量S分开表示的方式，能够有效避免因光照不均匀而带来图像彩色不均匀的影响。如图2非结构化道路RGB与HSV色彩空间 1.3路面特征融合 本文选取路面平滑度特征、色度分量、饱和度分量，定义融合特征参数[R（?）]： [R（?）=ω1P（?）’+ω2H+ω3S] 式中：取经验系数[ω1]，[ω2]，[ω3]分别为-1.10，2.35，1.53。[H]，[S]分别为平滑度，色度，饱和度归一化后数值，其中 [P（?）’=log10P（?）] 如图3所示，由图可知融合特征[R（?）]相比于单一特征更能有效区分路面与环境区域 2 融合多特征准则区域生长 以融合特征作为区域生长过程的生长准则，针对某一道路模型，多特征准则具体生长流程为： 1）在最佳区域内，随机选取一个20×20大小集合，作为初始种子单元； 2）以种子单元为中心，在不重复条件下取同等大小的邻域单元（20×20）； 3）将邻域单元进行特征提取并后，进行融合特征参数判定； 4）若邻域单元为“道路类”，则以该单元为种子单元，返回到步骤（2），若邻域单元为“环境类”，则该单元为终止单元； 5）继续扫描直到不能发现种子单元有可生长邻域，则结束整个生长过程 3 道路试验 从图4（1～2）可以看出，针对半非结构化道路，传统区域生长算法与本文算法均能够有效识别出路面区域，图4（2～5）显示本文算法对于非结构化路面识别更完整，对于路面区域外环境区域误判区域更少 4 结论 本文提出了一种多特征准则改进区域生长非结构化道路检测算法，可以有效检测具有复杂道路边界的非结构化道路，相对传统算法在识别正确率和减少误判率上有明显改进。本文创新性主要体现在：融合多特征在算法中，能够有效识别复杂的非结构化道路。改进传统区域生长算法，采用单元生长的方式提高算法鲁棒性。实际道路检测结果表明算法具有较好的适应性和鲁棒性，能够满足智能车辆非结构化道路导航需求 参考文献： [1] Hillel A B， Lerner R， Levi D， et al.. Recent progress in road and lane detection： a survey[J]. Machine Vision and