基于灰度特征的非結(jié)構化道路分割

龔波 陸玲 曹旭光

摘要：提出了一種基于道路灰度特征的分割方法，首先對道路圖像進行預處理，包括圖像分割、灰度化、平滑濾波等，再對圖像進行分塊標記并計算特征值，然后利用改進的區(qū)域生長法提取道路區(qū)域。該方法具有一定的實用價值。

關鍵詞：非結(jié)構化道路；區(qū)域生長；道路分塊

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2015）26-0147-03

Unstructured Road Segmentation based on Gray feature

GONG Bo， LU Ling， CHAO Xu-guang

（School of Information Engineering， East China Institute of Technology， Nanchang 330013，China）

Abstract： We propose a segmentation method based on the gray level of the road. In this method， the road image is pre processed， including image segmentation， gray scale， smooth filtering， and then the image is segmented into the small image and the feature value is calculated. Then the road area is extracted by the improved region growing method. This method has a certain practical value.

Key words： unstructured road； regional growth； road block

1 緒論

隨著科技的不斷發(fā)展和人類生活水平的不斷提高，人們對智能汽車的關注也在不斷提升，智能汽車的研究具有較大的現(xiàn)實意義，其中最重要的作用之一是可以提高汽車駕駛的安全性。道路識別算法是智能車無人駕駛研究的一個重要部分。

常見的行駛道路主要分為結(jié)構化道路和非結(jié)構化道路兩種，本文重點對非結(jié)構化道路進行分割。許多學者在這方面進行了研究，如賈嫣等[1]針對雨雪天氣的特殊性利用HSV空間中的H空間進行模糊增強，并選取閾值進行道路的粗分，使用形態(tài)學對圖像的降噪，最后使用邊緣檢測得到道路邊緣。熊思等[2]利用高斯金字塔對圖像進行降采樣，對圖像進行雙邊濾波抑制噪聲，采用基于小波變換求模極大值的方法對濾波后的圖像提取邊緣，通過閾值法去除非道路邊緣點，給出基于斜率和截距的K-means聚類算法，實現(xiàn)道路方程擬合。呂艷鵬等[3]應用MATLAB使用Otsu法對道路圖像進行分割，再利用數(shù)學形態(tài)學和閥值面積消去法對圖像進行去噪處理，然后利用Roberts算子檢測出道路邊緣，最后利用最小二乘法對圖像進行曲線擬合，得到平滑的道路邊界曲線。呂艷鵬等[4]對非結(jié)構化道路的彩色圖片，利用熵、對比度等紋理特征值作為BP神經(jīng)網(wǎng)絡的輸入層，進行網(wǎng)絡訓練。，然后將圖片中的每一個20×20小塊的紋理特征值輸入BP神經(jīng)網(wǎng)絡的輸入層，經(jīng)過運算判斷小塊是否為道路部分。龔建偉等[5]提出了一種結(jié)合多線程技術和多層感知器自監(jiān)督在線學習技術的道路識別算法，算法中道路圖像采集、分類器訓練、訓練集更新、分類器識別等計算操作分別在各自線程中實現(xiàn) ，算法具有較好的自適應性及實時性。

我們根據(jù)道路的灰度特征，利用分塊方法計算每塊的灰度方差，并通過區(qū)域生長分割道路區(qū)域。

2 道路圖像預處理

道路圖像預處理主要是為了去除一些與道路無關系的干擾信息以及對道路圖像特征信息進行增強處理。

2.1 圖像分割

根據(jù)道路圖像中的道路分布可知，一般情況下道路處于圖像的中下部。為了提高處理速度，去除每一幅圖像的1/3上部部分，只保留與道路信息相關的下部2/3部分，如圖1所示。

2.2 圖像灰度化

由于大多數(shù)道路及邊緣沒有顏色特征，而道路中的灰度變化比道路邊緣小，因此先將彩色圖像（圖1a）進行灰度化處理，采用平均法將道路的彩色圖像變?yōu)榛叶葓D像，如圖2a所示：。

Gray=（B+G+R）/3

2.3 圖像平滑濾波

平滑濾波是對圖像進行模糊處理和降低噪聲，常用的3×3和5×5均值濾波器如下[6]：

3 道路圖像分塊

為了區(qū)分道路與道路邊緣的區(qū)域，同時又為了消除一定的干擾信息，對圖像進行分塊處理，以每個塊作為一個處理單元（以下稱為單元塊），根據(jù)道路及邊緣的特征，通過對單元塊中的像素灰度分析，確定單元塊的位置是否處于道路內(nèi)部及道路邊緣。

3.1 單元塊的大小

單元塊的大小確定是道路識別的關鍵。單元塊過大，會導致塊中灰度信息過多，不能突出道路邊緣的特征；單元塊過小，會突出干擾信息，使道路識別結(jié)果出錯。經(jīng)過實驗得出w/20×w/20（w為圖像寬度）單元塊的處理效果較好，考慮到要突出彎曲道路邊緣信息，單元塊選定為長矩形區(qū)域較合適，即單元塊的寬度為w/20左右，高度為w/30左右。如圖3a所示。

3.2 單元塊的特征值

為了區(qū)分道路與道路邊緣，采用單元塊中的像素灰度均方差作為單元塊的特征值。

灰度均值 [A=1MNi=1Mj=1NI（i，j）]

均方差 [σ=（1MNi=1Mj=1N[I（i，j）-A]）12]

使用如下簡化式代替均方差：

[σ=1MNi=1Mj=1N|I（i，j）-A|]

式中：I（i，j）-----單元塊中像素灰度值

M、N-----單元塊的寬與高（以像素為單位）

可以得出，單元塊處于道路中時，特征值較??；單元塊處于道路邊緣時，特征值偏大。而單元塊處于道路外時，其特征值不確定，取決于道路外的環(huán)境特征。如圖3b所示，圖中的灰度大小代表特征值的大小。從圖中可以看出，道路中的單元塊特征值基本上都小于道路邊緣上的特征值，根據(jù)這個特點，設定合適的閾值（稱為單元塊閾值），從道路中部開始進行區(qū)域生長，將道路提取出來。

3.3 單元塊閾值的確定

單元塊的閾值取決于道路中的灰度變化情況，如果道路較少裂痕與干擾信息，道路區(qū)域內(nèi)是一個特征值較小的連通域，所選的閾值可偏小；否則選的閾值偏大些。如圖4顯示了不同閾值效果圖。當閾值較小為8時，如圖4a，道路中的水印及接縫影響較大；當閾值較大為22時（如圖4d），道路的連通域延伸到邊緣外部，不能提取出道路信息?？梢?，閾值的取值范圍還是較大的。經(jīng)過對大量道路圖像的試驗，閾值取值在14左右比較好。圖5為不同道路的提取結(jié)果。

從圖5中可以看出，低于閾值的區(qū)域除了道路區(qū)域外，還有道路外的部分區(qū)域，為了從這些低于閾值的區(qū)域中定位道路區(qū)域，本文提出使用改進的區(qū)域生長法識別道路區(qū)域。

4 道路分割

4.1 區(qū)域生長法

區(qū)域生長是從滿足檢測準則的點開始，在各個方向上生長區(qū)域，當其鄰近點滿足一致性準則就并入小塊區(qū)域中，當新點并入后再用新的區(qū)域重復這一過程，直到?jīng)]有可并入的鄰近點時生成過程就完成。區(qū)域生長的分割方法的關鍵是在于定義一個一致性準則，用來判斷兩個鄰接的區(qū)域是否可以合并[6]。

區(qū)域生長法的兩個關鍵點是選取起始生長點和確定生長準則。一般情況下，起始生長點的選取是隨機性的，但對于本文中的道路識別，需要生長道路區(qū)域而不是其他區(qū)域，因此必須選擇道路區(qū)域中的單元塊種子作為起始生長塊，即在道路區(qū)域內(nèi)選擇單元塊小于愈生長的單位也是以單元塊為單位而不是像素。根據(jù)前面的實驗結(jié)果，生長的規(guī)則是單元塊的特征值小于閾值，是全局特征而不是局部特征，這樣可以消除道路中的干擾因素，否則如果起始生長點的特征值偏大或偏小，會影響整體生長結(jié)果。

4.2 改進型區(qū)域生長法

改進型的區(qū)域生長法基本思想是：1）根據(jù)道路圖像的分布特點定位道路區(qū)域中的一個種子單元塊。一般可取圖像中下位置處的單元塊。如果種子單元塊的特征值大于閾值，則把該單元塊合并到道路區(qū)域；否則不合并到道路區(qū)域。2）對其四鄰域單元塊進行搜索，計算四鄰域單元塊的特征值，如果大于閾值，則把該單元塊合并到道路區(qū)域。3）對每個新合并的單元塊重復（2），直到?jīng)]有大于特征值的單元塊為止，就完成了區(qū)域生長的分割。

5 結(jié)束語

本文提出了基于單元塊的道路區(qū)域分割算法，該方法是根據(jù)道路中灰度特征，以單元塊作為單位，選取合適特征值和閾值，通過改進的區(qū)域生長法，對道路區(qū)域和非道路進行分割處理，該方法可以降低噪聲的影響。改進的區(qū)域生長法是以單元塊為生長單位，生長的規(guī)則考慮的是全局特征，可以消除生長區(qū)域的誤差引起整體生長結(jié)果。本文方法比較適用于道路路面灰度比較均勻且沒有大面積的障礙物覆蓋道路邊緣的情況下，而實際道路環(huán)境路況會比較復雜，在以后的研究中應該考慮各種因素的影響的情況。

參考文獻：

[1] 賈嫣，李硯軼. 雨雪天非結(jié)構化道路識別算法研究[J].電腦知識與技術，2014.10（24）：5741-5756.

[2] 熊思，李磊民.黃玉清.基于小波變換和K-means的非結(jié)構化道路檢測[J].計算機工程，2014，40（2）：158-161.

[3] 呂艷鵬，潘玉田.基于MATLAB圖像處理的非結(jié)構化道路識別[J].機械工程與自動化，2014 （2）：32-33.

[4] 呂艷鵬，潘玉田.基于BP神經(jīng)網(wǎng)絡的非結(jié)構化道路識別[J].機械工程與自動化，2014（3）：178-180.

[5] 龔建偉，葉春蘭，姜巖，熊光明.多層感知器自監(jiān)督在線學習非結(jié)構化道路識別[J].北京理工大學學報，2014，34（3） ：261-266.

[6] 陸玲，李金萍. Visual C++數(shù)字圖像處理[J].中國電力出版社，2014.