单幅图像的一般道路检测..docVIP

对单幅图像中一般道路的检测 Hui Kong , Member, IEEE , Jean-Yves Audibert, Jean Ponce , Fellow, IEEE 摘要：给定一个有任意道路的单幅图像，这条道路可能是不平坦的，而且没有明确界定的边缘，甚至没有一些颜色或纹理分布的先验知识，计算机是否有可能找到这条道路呢？本文通过把道路检测过程分解为两个步骤，解决了这个问题：首先估计与道路的主（直）干道部分相关的消失点，然后再根据检测到的消失点分割相关的道路区域。本文所提出的方法主要的技术贡献在于一种新的基于高置信度的投票点投票的区域自适应软投票计划，使用Gabor滤波器对这些点的纹理方向进行计算，以及新的用于检测道路边界的消失点约束边缘检测技术。本文所提出的方法已得到实现，通过1003幅一般道路图像的实验表明，它在艰难条件下也能有效的检测道路区域。 关键词：主导边缘检测，道路检测，软投票，消失点检测。 一 简介 作为全自动车辆导航系统的组件之一，众多的基于图像的道路检测算法已经出现[1]。大多数早期的系统关注跟踪那些能很容易和它周围环境区分的平坦道路。最近，由DARPADARPA Grand Challenge [2] （自动越野车之间的竞赛）触发，很多算法都试图处理越野条件。虽然在用于检测个别道路类型的专门系统上作出了显著的进步，但提出一个通用的算法来检测多种类型的道路迄今收效甚微。 图1 给定如图1所示的道路图像，计算机可以大致确定道路在哪里吗？本文回答了这个问题，提出一个新的分割道路区域的框架，其基于与道路的主要（直）部分相关的消失点的估计。本文的创新在以下几个方面：1）在纹理方向的估计方面，我们不仅计算每个像素的纹理方向，而且对每个估计给定一个置信值。引进的置信值，接下来会合并到消失点估计中。 2）通过观察，发现较高位置的图像像素与较低位置的图像像素相比往往会得到更多的选票，这通常会导致对图像道路消失点的错误估计，如果真正的道路消失点不在图像的上半部分的话。为克服这个问题，提出区域自适应软投票权（LASV）计划。该计划使用局部区域投票，在这区域中具有低置信值的纹理方向估计的像素点被丢弃。这个消失点估计的方法是比较有效的，因为只有在局部区域中被选定的像素才能作为投票点。 3）分割道路区域，根据方向一致性（OCR）特征，消失点约束的一组主导边缘被检测到。同时结合颜色线索，两个最主要边缘被选择为道路边界。这种道路检测方法结合了道路的纹理方向和颜色信息，而且处理好了照度的改变，适用于一般道路图像。在本文的初稿[3]，我们只使用OCR特征和聚类方法进行道路分割。通过实证结果显示，OCR和颜色特征相结合，道路分割精度提高了。 二 相关工作 一般来说，一个道路图像可分为结构化的（例如，城市道路）和非结构化的（例如，农村地区的道路）。对于结构化的道路，定位道路边界或道路标记是最常用的方法：颜色特征[4] - [6]，Hough变换[7][8]，方向可调滤波器[9][10] 和样条函数模型[11] - [13]等，都可以用来寻找道路边界或标记。这些方法的缺点是，他们只适用于有明显标记或边界的结构化道路。基于颜色特征分割道路的方法也被提出，但他们对一般道路图像也没有很好效果，特别是当道路的表面与环境之间的颜色差异不大时。此外，激光[14]雷达[15]和立体视觉[16]，也可用于结构化道路的检测。 对于非结构化道路或没有明显界限或标记的结构化道路，Alon et al. [17]结合Adaboost-based区域分割和几何投影的边界约束检测找到“可驾驶”道路区域。但是，它需要许多不同类型的道路图像来训练区域分类器，这是繁重的任务。逆向光流技术[18]提供了一个自适应的道路区域分割算法，但这种方法不能很好地应用于坎坷的道路上，当相机不稳定时，就没有足够强大的光流估计。立体相机[19][20]也可用于确定地形通行能力。但当公路和越野区域的颜色之间几乎没有什么差别时，就很难找到强有力的强度变化来界定他们。在这种情况下，似乎界定道路的一个最大特征是纹理。也有相关的方法[21] - [23]曾试图利用纹理特征界定前面的“可驾驶”图像区域。他们对每个像素计算纹理方向，然后由一个投票方案决定道路的消失点，最终使用颜色特征确定道路边界。我们的做法就属于这方面的研究。虽然多传感器的方法[24]也可以处理非结构化道路的情况，但它仅使用视觉信息，超出了本文的讨论范围，。 本文剩下部分的安排如下：每个像素点的纹理方向估计以及给定置信值（第三部分），考虑到置信水平和投票像素点到候选消失点距离的投票方案（第四部分），以及一个新的检测道路边界的消失点约束主导边缘检测技术（第五部分）。 三 纹理方向估计及置信值分配 我们依赖Gabor滤波器进行纹理方向的估计，由于