文章编号:10019081(2013)07200504 doi:10.11772/j.issn.10019081.2013.07.2005 摘 要： 针对非结构化道路场景复杂干扰因素较多、检测困难的问题，提出了一种基于轮廓特征和二维最大熵的道路检测算法。采用融合色彩特征不变量的二次二维最大熵分割算法对道路图像进行分割；利用边界跟踪算法提取分割图像的轮廓特征，根据道路区域的位置和几何特性选取最大轮廓；通过改进Midtoside算法进行边缘点搜索，用三阶道路模型重建道路边界，并对道路方向进行判断。实验结果表明，所提算法与传统算法相比，对三类不同场景下非结构化道路的检测准确率可提高25%左右，具有较强抗阴影干扰的能力，并能有效识别道路方向。 关键词：二维最大熵；色彩特征不变量；轮廓特征；非结构化道路；道路模型 中图分类号：TP391.413 文献标志码:A 英文标题 Unstructured road detection based on twodimensional entropy and contour features 英文作者名 GUO Qiumei*, HUANG Yuqing 英文地址( School of Information Engineering, Southwest University of Science and Technology, Mianyang Sichuan 621010, China英文摘要) Abstract： 作者改过中文摘要，在现在英文翻译的基础上进行修改。 The scene of unstructured road is complex and easy to be influenced by many factors. In order to solve the detection difficulty, a road detection algorithm based on contour features and twodimensional maximum entropy was proposed. Quadratic twodimensional maximum entropy segmentation method combined with invariant color feature was used for road image segmentation. Afterwards, contour features were extracted from segmentation result by boundary tracking algorithm, and then the maximum contour was chosen. Finally, the improved midtoside algorithm was used to search road edge points, then road boundary was reconstructed through road model and road direction was judged. The experimental results show that the detection accuracy rate is improved about 25% in three kinds of unstructured scene compared with traditional algorithm. In addition, this method is robust against shadows and can recognize road direction efficiently. 英文关键词Key words： twodimensional maximum entropy; invariant color feature; contour feature; unstructured road; road model 0 引言 随着人们对智能导航系统需求的增加，无人驾驶自主导航系统研究得到了飞速发展，道路检测是其中的一项关键技术。能否准确检测出前方道路是智能车辆安全行驶的前提条件［1］。 道路一般分为结构化道路和非结构化道路两类，结构化道路有明显的车道标志线，检测方法相对成熟；非结构化道路所处环境复杂干扰因素较多，如光照变化、阴影及水迹等，检测难度较大。目前的研究方法主要分为基于模型和基于特征两大类。基于模型的方法，是在根据先验知识对道路形状提出假设的前提下对道路建模进行检测，其有效性在一定程度上受到模型选择的限制。文献［2］采用B样条曲线对结构化道路进行检测，利用二维道路模型，将检测左右两车道的问题转化为利用先验知识求取道路中心线的问题。基于特征的方法，包括基于颜色、灰度和纹理等特征的检测方法。文献［3］以实时道路图像的真彩色信息为研究对象，利用分块区域生长模型进行道路分割，并用三次样条进行道路边界拟合，该方法对阴影水迹有一定的抗干扰作用。文献［4］采用了一种颜色直方图和随机抽样一致(RANdom SAmple Consensus, RANSAC)算法相结合的检测方法，对完全非结构化道路检测取得了较理想的效果。文献［5］基于灰度特征利用融合Canny算子和形态学的方法实现路径识别。文献［6］利用双峰法和最大类间方差法(OTSU)选取灰度阈值对道路图像进行分割。为了提高非结构化检测算法的鲁棒性，近几年来多特征融合的方法成为研究的热点，文献［7］融合了颜色特征、边缘特征和纹理特征结合支持向量机对非结构化乡村道路进行检测。文献［8］将协同学习方法运用到非结构化道路区域检测中，得到了较理想的道路分割结果。文献［9］采用了基于在线学习的SVM非结构化道路检测方法，根据HSV空间的颜色特征和5个纹理特征进行有监督的在线学习，分割出非结构化道路区域。 本文针对复杂场景下的非结构化道路，提出了一种基于二维熵和轮廓特征的道路检测方法。利用融合色彩特征不变量的二次二维最大熵分割方法对道路图像进行分割，从分割图像中提取出道路轮廓，并有效提取边缘点。通过求解道路模型参数实现边界重建，同时对道路方向进行识别。 1 融合不变色彩特征的二维熵道路分割 1.1 c1c2c3不变色彩特征模型 色彩特征不变量是描述像素点颜色配置的函数，它对阴影和亮点均不敏感，并且已被证明当成像环境(视角、物体表面方位及光照条件等)发生变化时其值保持不变［10］。为了减少阴影和光照变化对道路分割的影响，本文在道路归类准则中引入了色彩特征不变量c1c2c3模型，该模型定义如下： c1(x,y)=arctanR(x,y)max(G(x,y),B(x,y))(1) c2(x,y)=arctanG(x,y)max(R(x,y),B(x,y))(2) c3(x,y)=arctanB(x,y)max(R(x,y),G(x,y))(3)
文章编号:10019081(2013)07200504 doi:10.11772/j.issn.10019081.2013.07.2005 摘 要： 针对非结构化道路场景复杂干扰因素较多、检测困难的问题，提出了一种基于轮廓特征和二维最大熵的道路检测算法。采用融合色彩特征不变量的二次二维最大熵分割算法对道路图像进行分割；利用边界跟踪算法提取分割图像的轮廓特征，根据道路区域的位置和几何特性选取最大轮廓；通过改进Midtoside算法进行边缘点搜索，用三阶道路模型重建道路边界，并对道路方向进行判断。实验结果表明，所提算法与传统算法相比，对三类不同场景下非结构化道路的检测准确率可提高25%左右，具有较强抗阴影干扰的能力，并能有效识别道路方向。 关键词：二维最大熵；色彩特征不变量；轮廓特征；非结构化道路；道路模型 中图分类号：TP391.413 文献标志码:A 英文标题 Unstructured road detection based on twodimensional entropy and contour features 英文作者名 GUO Qiumei*, HUANG Yuqing 英文地址( School of Information Engineering, Southwest University of Science and Technology, Mianyang Sichuan 621010, China英文摘要) Abstract： 作者改过中文摘要，在现在英文翻译的基础上进行修改。 The scene of unstructured road is complex and easy to be influenced by many factors. In order to solve the detection difficulty, a road detection algorithm based on contour features and twodimensional maximum entropy was proposed. Quadratic twodimensional maximum entropy segmentation method combined with invariant color feature was used for road image segmentation. Afterwards, contour features were extracted from segmentation result by boundary tracking algorithm, and then the maximum contour was chosen. Finally, the improved midtoside algorithm was used to search road edge points, then road boundary was reconstructed through road model and road direction was judged. The experimental results show that the detection accuracy rate is improved about 25% in three kinds of unstructured scene compared with traditional algorithm. In addition, this method is robust against shadows and can recognize road direction efficiently. 英文关键词Key words： twodimensional maximum entropy; invariant color feature; contour feature; unstructured road; road model 0 引言 随着人们对智能导航系统需求的增加，无人驾驶自主导航系统研究得到了飞速发展，道路检测是其中的一项关键技术。能否准确检测出前方道路是智能车辆安全行驶的前提条件［1］。 道路一般分为结构化道路和非结构化道路两类，结构化道路有明显的车道标志线，检测方法相对成熟；非结构化道路所处环境复杂干扰因素较多，如光照变化、阴影及水迹等，检测难度较大。目前的研究方法主要分为基于模型和基于特征两大类。基于模型的方法，是在根据先验知识对道路形状提出假设的前提下对道路建模进行检测，其有效性在一定程度上受到模型选择的限制。文献［2］采用B样条曲线对结构化道路进行检测，利用二维道路模型，将检测左右两车道的问题转化为利用先验知识求取道路中心线的问题。基于特征的方法，包括基于颜色、灰度和纹理等特征的检测方法。文献［3］以实时道路图像的真彩色信息为研究对象，利用分块区域生长模型进行道路分割，并用三次样条进行道路边界拟合，该方法对阴影水迹有一定的抗干扰作用。文献［4］采用了一种颜色直方图和随机抽样一致(RANdom SAmple Consensus, RANSAC)算法相结合的检测方法，对完全非结构化道路检测取得了较理想的效果。文献［5］基于灰度特征利用融合Canny算子和形态学的方法实现路径识别。文献［6］利用双峰法和最大类间方差法(OTSU)选取灰度阈值对道路图像进行分割。为了提高非结构化检测算法的鲁棒性，近几年来多特征融合的方法成为研究的热点，文献［7］融合了颜色特征、边缘特征和纹理特征结合支持向量机对非结构化乡村道路进行检测。文献［8］将协同学习方法运用到非结构化道路区域检测中，得到了较理想的道路分割结果。文献［9］采用了基于在线学习的SVM非结构化道路检测方法，根据HSV空间的颜色特征和5个纹理特征进行有监督的在线学习，分割出非结构化道路区域。 本文针对复杂场景下的非结构化道路，提出了一种基于二维熵和轮廓特征的道路检测方法。利用融合色彩特征不变量的二次二维最大熵分割方法对道路图像进行分割，从分割图像中提取出道路轮廓，并有效提取边缘点。通过求解道路模型参数实现边界重建，同时对道路方向进行识别。 1 融合不变色彩特征的二维熵道路分割 1.1 c1c2c3不变色彩特征模型 色彩特征不变量是描述像素点颜色配置的函数，它对阴影和亮点均不敏感，并且已被证明当成像环境(视角、物体表面方位及光照条件等)发生变化时其值保持不变［10］。为了减少阴影和光照变化对道路分割的影响，本文在道路归类准则中引入了色彩特征不变量c1c2c3模型，该模型定义如下： c1(x,y)=arctanR(x,y)max(G(x,y),B(x,y))(1) c2(x,y)=arctanG(x,y)max(R(x,y),B(x,y))(2) c3(x,y)=arctanB(x,y)max(R(x,y),G(x,y))(3)