無(wú)人裝備野外場(chǎng)景自適應(yīng)道路識(shí)別技術(shù)

華 夏，王新晴，俞垚魏，孟凡杰，馬昭燁，王 東，邵發(fā)明

(中國(guó)人民解放軍陸軍工程大學(xué), 南京 210018)

現(xiàn)階段的道路檢測(cè)算法主要分為基于特征、 基于模型、基于機(jī)器學(xué)習(xí)三大類?；谔卣鞯乃惴╗1-3]主要是識(shí)別出道路的某些特征對(duì)道路進(jìn)行檢測(cè)，在具有清晰道路標(biāo)識(shí)，特征差異明顯的結(jié)構(gòu)化道路上取得了較好的識(shí)別效果，但是它抗干擾能力較差，對(duì)于復(fù)雜環(huán)境下的道路識(shí)別效果較差；基于模型的算法主要是先建立道路參數(shù)模型，然后根據(jù)圖像分析確定對(duì)應(yīng)的模型參數(shù)，從而得到道路的邊緣和走向信息，對(duì)于常見(jiàn)的結(jié)構(gòu)化道路，該種算法對(duì)道路邊緣的擬合簡(jiǎn)單迅速，但對(duì)邊界復(fù)雜的道路，模型過(guò)于復(fù)雜、計(jì)算量大，無(wú)法保證其全局的優(yōu)化性和識(shí)別的精確性；基于機(jī)器學(xué)習(xí)的方法[4-6]利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)特性進(jìn)行道路檢測(cè)，它的識(shí)別精度高，抗干擾能力和魯棒性強(qiáng)，但訓(xùn)練集的及時(shí)更新和算法的實(shí)時(shí)性仍是當(dāng)前的關(guān)鍵難點(diǎn)問(wèn)題。

由于非結(jié)構(gòu)化道路存在著路面環(huán)境復(fù)雜、 路面特征易受天氣、光照變化的干擾等客觀原因，實(shí)現(xiàn)精確、實(shí)時(shí)的非結(jié)構(gòu)化道路檢測(cè)仍然是一個(gè)極具挑戰(zhàn)性的難題[1]。本文提出了一種野外場(chǎng)景自適應(yīng)道路識(shí)別算法，與現(xiàn)有道路識(shí)別算法相比具有較高的道路檢測(cè)精度和較好的實(shí)時(shí)性，能夠?qū)崿F(xiàn)對(duì)野外非結(jié)構(gòu)化道路精準(zhǔn)有效識(shí)別。指定數(shù)據(jù)庫(kù)檢測(cè)結(jié)果表明，本文算法道路識(shí)別精度達(dá)91.9%，單幀圖像處理用時(shí)0.98s。

1 圖像自適應(yīng)預(yù)處理

根據(jù)先驗(yàn)知識(shí)并結(jié)合工程實(shí)際， 本文中的道路識(shí)別算法基于以下假設(shè)：道路顏色特征和紋理特征的變化是漸變的，極少會(huì)出現(xiàn)特征突變的情況；相機(jī)拍攝視角的正前方為道路區(qū)域，道路區(qū)域從圖像的底端向上延伸；道路區(qū)域?yàn)橐粔K大的連通區(qū)域。

1.1 道路樣本區(qū)域動(dòng)態(tài)選取

車輛在行駛過(guò)程中，在通道寬度內(nèi)，當(dāng)視覺(jué)系統(tǒng)安裝固定且沿車輛軸向時(shí)，恒定視野區(qū)域始終為可靠的道路區(qū)域[2]。在道路類聚類中心(超像素種子塊)的選取上融合了車前最小左右轉(zhuǎn)彎半徑交叉覆蓋范圍內(nèi)，必定為路的先驗(yàn)知識(shí)(參考下文)，既提升了對(duì)野外“車走路變”的自適應(yīng)性，又避免了隨機(jī)選取道路類超像素種子塊可能引起的訓(xùn)練偏差和效率降低。

環(huán)境圖像道路區(qū)域示意圖如圖1。可以確定道路圖像中，車前以略大于車寬的尺寸D為底邊長(zhǎng)，高為l的等腰三角形區(qū)域，作為圖像中道路類超像素種子塊選取最佳區(qū)域。依據(jù)幾何學(xué)知識(shí)可以求得高為：

(1)

式(1)中：D為車寬對(duì)應(yīng)在圖像中的尺寸；r為汽車最小轉(zhuǎn)彎半徑對(duì)應(yīng)圖像中尺寸；R為汽車最大轉(zhuǎn)彎半徑對(duì)應(yīng)圖像中尺寸。

1.2 自適應(yīng)道路圖像分類

在野外復(fù)雜環(huán)境下對(duì)非結(jié)構(gòu)化道路檢測(cè)產(chǎn)生干擾最為嚴(yán)重的就是陰影遮擋和強(qiáng)光影響兩大因素。 為了消除這兩種干擾，需要對(duì)環(huán)境圖像進(jìn)行檢測(cè)分類。依據(jù)先驗(yàn)知識(shí)，可以將野外非結(jié)構(gòu)化道路分為三類，如表1所示。

表1 圖像類別及特點(diǎn)

1.2.1 分類指標(biāo)

定義了兩個(gè)分類指標(biāo)：顏色值(Color valuecv)、顏色均勻度(Color uniformitycu)。

定義1 顏色值

依據(jù)人類對(duì)圖像顏色的感知，圖像中占有比重大的顏色對(duì)圖像語(yǔ)義的貢獻(xiàn)也大，本文定義這種顏色為主色。

圖像中每個(gè)像素點(diǎn)的顏色由R、G、B三個(gè)顏色分量共同決定，本文通過(guò)人眼對(duì)顏色感知的心理學(xué)公式，有：

cv=0.30×r+0.59×g+0.11×b

(2)

對(duì)這三種顏色分量進(jìn)行加權(quán)線性融合可以在圖像的每個(gè)像素點(diǎn)獲得一個(gè)代表該點(diǎn)顏色的數(shù)值，本文將其定義為顏色值cv。各點(diǎn)的顏色值構(gòu)成了一個(gè)與圖像等大小的二維矩陣，定義為顏色值矩陣(Color value matrixcm)。本文通過(guò)數(shù)理統(tǒng)計(jì)的方式，統(tǒng)計(jì)獲得了cm中各元素的頻率，將頻率最大的cv值認(rèn)為是代表主色的顏色值。在提取主色值的過(guò)程中通過(guò)去相關(guān)對(duì)比度拉伸法，放大圖像的顏色特征。通過(guò)顏色加強(qiáng)可以使圖像中的主色更加容易被區(qū)分。

定義2 顏色均勻度

如圖2所示，將圖像的道路區(qū)域等分為三塊長(zhǎng)為l1、l2、l3寬為20的長(zhǎng)方形區(qū)域，l1、l2、l3由式(1)可得。分別統(tǒng)計(jì)得主色值為cv1、cv2、cv3，由式(4) 兩兩進(jìn)行比較。

(3)

(4)

對(duì)于比較的結(jié)果，本文定義主色的最大差值為道路區(qū)域顏色均勻度，衡量道路區(qū)域顏色均勻程度。統(tǒng)計(jì)實(shí)驗(yàn)結(jié)果如表2所示。

表2 道路顏色均勻度

1.2.2 分類依據(jù)

通過(guò)對(duì)主色值取值范圍的劃分準(zhǔn)確判別第二和第三類道路圖像，通過(guò)兩個(gè)指標(biāo)的融合判定第一類道路圖像。受陰影影響嚴(yán)重的圖像，陰影的顏色值就是圖像的主色值；受強(qiáng)光影響嚴(yán)重的圖像，強(qiáng)光的顏色值就是圖像的主色值。如表3所示。

表3 不同類型圖像主色值選取范圍

僅通過(guò)主色值判定第一類圖像的效果并不理想。復(fù)雜環(huán)境下與陰影相似度較高的顏色會(huì)對(duì)主色值的選取造成極大干擾。為了解決這類問(wèn)題，結(jié)合道路區(qū)域顏色特征均勻這一假設(shè)，對(duì)可能的第一類道路圖像進(jìn)行進(jìn)一步檢測(cè)。分類結(jié)果如表4所示。

表4 不同類型圖像主色值選取范圍

1.3 各類環(huán)境圖像的針對(duì)性預(yù)處理

1) 第一類道路圖像的針對(duì)性預(yù)處理

當(dāng)檢測(cè)出環(huán)境圖像屬于第一類道路圖像時(shí)，采用HSV顏色空間的Retinex結(jié)構(gòu)光圖像增強(qiáng)法[7]增強(qiáng)圖像的顏色特征，同時(shí)有效減小陰影遮擋對(duì)道路檢測(cè)的影響，可以使圖像中原本被陰影所淹沒(méi)的道路變得清晰可見(jiàn)，有利于后續(xù)對(duì)非結(jié)構(gòu)化道路的提取與編碼[8]。

2) 第二類道路圖像的針對(duì)性預(yù)處理

當(dāng)檢測(cè)出道路圖像受強(qiáng)光影響時(shí)，采用了一種快速Gammar校正算法降低強(qiáng)光對(duì)道路的干擾[3]。通過(guò)Gammar校正法處理強(qiáng)光圖像可以使原本被強(qiáng)光遮蓋的道路圖像變得更加清晰，有利于后續(xù)的非結(jié)構(gòu)化道路提取與編碼。

3) 第三類道路圖像的針對(duì)性預(yù)處理

圖像經(jīng)過(guò)檢測(cè)，如果不屬于受到光照和陰影強(qiáng)烈影響的圖像，則通過(guò)去相關(guān)對(duì)比度拉伸法(decorr stretch) 放大圖像各部分的顏色特征。經(jīng)過(guò)顏色加強(qiáng)后，原本顏色特征相近的道路和周圍環(huán)境顏色差異被放大，道路區(qū)域更加容易通過(guò)顏色進(jìn)行區(qū)分。

1.4 圖像的銳化

用限制對(duì)比度直方圖均衡(Contrast Limited Adaptive histgram equalization/CLAHE)提升圖像的對(duì)比度，該算法更適合于改進(jìn)圖像的局部對(duì)比度，以及獲得更多的圖像細(xì)節(jié)，算法能有效限制放大圖像中相同區(qū)域的噪音。CLAHE法提升對(duì)比度能夠有效降低雨、霧等因素造成的對(duì)道路的遮蔽干擾，大大提高了圖像質(zhì)量。自適應(yīng)預(yù)處理過(guò)程如圖3所示。

2 超像素塊多特征融合

超像素將圖像從像素級(jí)劃分成區(qū)域級(jí)，將圖像劃分為同質(zhì)的區(qū)域再進(jìn)行分類，可以提高圖像分割的效率。采用SLIC(Simple Linear Iterative Cluster)算法進(jìn)行超像素塊分割。SLIC算法與傳統(tǒng)超像素分割方法相比處理速度更快、占用內(nèi)存更小、邊緣吻合度更高，可以將圖像劃分為均勻的小塊區(qū)域，鄰域特征比較容易表達(dá)，且保留物體的邊緣和輪廓等重要信息。

為了獲得區(qū)分性較好的視覺(jué)特征，通過(guò)多種特征融合的方式來(lái)描述超像素塊。結(jié)合野外非結(jié)構(gòu)化道路場(chǎng)景圖像特點(diǎn)，本文提取以下4類特征構(gòu)成視覺(jué)特征集。

2.1 超像素塊顏色特征提取

顏色對(duì)圖像的視角、方向、尺寸沒(méi)有依賴性，具有更好的魯棒性和更低的復(fù)雜度。野外道路場(chǎng)景圖像的顏色信息非常豐富，一般天空會(huì)呈現(xiàn)天藍(lán)色、灰白色或者白色，道路則是褐色或者紅褐色，只有垂直物的顏色變化比較大，但是綠色最為常見(jiàn)。Lab色彩模型是由亮度L和有關(guān)色彩的a，b三個(gè)要素組成，致力于感知均勻性，它的L分量密切匹配人類對(duì)亮度感知，對(duì)陰影和光照有較強(qiáng)的魯棒性。所以本文在HSV(色調(diào)、飽和度、明度)和Lab這2種顏色空間下提取顏色統(tǒng)計(jì)特征。提取超像素在Lab顏色空間下2個(gè)顏色通道a，b的均值(mean)、方差(variance)、斜度(skewness)以及在HSV顏色空間下的色度直方圖和飽和度直方圖[4]。

2.2 超像素塊紋理特征提取

采用灰度共生矩陣(Gray Level Co-occurrence MatrixGLCM)來(lái)描述超像素塊的紋理特征[9]。一般選取基于灰度共生矩陣的14個(gè)紋理特征中的4 個(gè)互不相關(guān)的紋理特征描述圖像紋理，既便于計(jì)算又具有較高的分類精度。這 4 個(gè)特征分別為：

能量(二階矩)：

(5)

熵：

(6)

對(duì)比度：

(7)

相關(guān)：

(8)

描述矩陣中行或列元素之間的相似程度，是對(duì)灰度線性關(guān)系的度量。圖像中紋理沿著哪個(gè)方向，則該方向上的灰度矩陣相關(guān)值較大。

求得f1、f2、f3、f4后，求得對(duì)應(yīng)的均值m1、m2、m3、m4和對(duì)應(yīng)的標(biāo)準(zhǔn)差sq1、sq2、sq3、sq4，以向量T1={m1,m2,m3,m4,sq1,sq2,sq3,sq4} 作為最終8維紋理特征。

2.3 超像素塊位置與形狀特征提取

野外非結(jié)構(gòu)化道路場(chǎng)景中超像素塊的坐標(biāo)和形狀能夠?yàn)槌袼貕K分類提供很強(qiáng)的幾何布局線索。

由圖4超像素塊的分割結(jié)果可以看出，因?yàn)榈缆穮^(qū)域紋理、顏色等多種特征融合復(fù)雜，所以分割形成的超像素塊形狀并不均勻，與天空、水坑等特征均勻區(qū)域的均勻六邊形超像素塊對(duì)比明顯。采用基于Hu不變矩[10]的方法提取形狀特征， 即歸一化的超像素不變矩和離心率值。

依據(jù)一定的模型和先驗(yàn)知識(shí)，針對(duì)非結(jié)構(gòu)化道路識(shí)別問(wèn)題，車輛在行駛過(guò)程中，在通道寬度內(nèi)，當(dāng)視覺(jué)系統(tǒng)安裝固定且沿車輛軸向時(shí)，恒定視野區(qū)域始終為可靠的道路區(qū)域。因此超像素塊的位置信息同樣具有較好的區(qū)分度，提取超像素塊位置特征[11]，即歸一化的超像素塊中心像素位置。綜合超像素塊的位置和形狀特征即可得到特征向量T2。

3 Lap SVM超像素塊分類

拉普拉斯支持向量機(jī)(LapSVM)算法是一種基于流形正則的半監(jiān)督分類算法，研究如何同時(shí)利用少量的有標(biāo)識(shí)樣本和大量的未標(biāo)識(shí)樣本進(jìn)行訓(xùn)練和分類[10]。通過(guò)引入樣本流形正則項(xiàng)[10]，LapSVM算法的學(xué)習(xí)模型中將包含樣本的固有幾何結(jié)構(gòu)信息。LapSVM加入了未標(biāo)識(shí)樣本的流形結(jié)構(gòu)信息，并將這一信息以Laplacian流形正則項(xiàng)的方式加入SVM，學(xué)習(xí)過(guò)程中充分考慮了樣本間的局部幾何結(jié)構(gòu)，使蘊(yùn)含在樣本中局部的鑒別信息得以體現(xiàn)，可以得到更加準(zhǔn)確的分類結(jié)果。

3.1 Lap SVM原理

樣本集合S={xi,i=1,…,n}，xi代表第i個(gè)樣本，n表示樣本的個(gè)數(shù)。集合L={xi,i=1,…,m}表示標(biāo)識(shí)樣本，m表示標(biāo)識(shí)樣本的個(gè)數(shù)，U={xi,i=1,…,u} 表示無(wú)標(biāo)識(shí)樣本的集合，u表示未標(biāo)識(shí)樣本的個(gè)數(shù)。用yi表示第i個(gè)樣本所屬類別，yi∈{-1,1}。LapSVM模型定義為

(9)

(10)

(11)

式(11)中：I是單位矩陣；L是Laplacian矩陣；Y∈Rm×m是由標(biāo)識(shí)樣本yi，i=1，…，m組成的對(duì)角矩陣；JL∈Rm×m是由標(biāo)識(shí)樣本與未標(biāo)識(shí)樣本形成的分塊矩陣[I0]；β是Lagrange乘子，即

(12)

(13)

(14)

從上面的定義可以看出，LapSVM算法中涉及許多矩陣的運(yùn)算和轉(zhuǎn)換，當(dāng)無(wú)標(biāo)記樣本很多時(shí)，需要很大的內(nèi)存空間和很長(zhǎng)的 CPU 占用時(shí)間，甚至引起內(nèi)存溢出等問(wèn)題?？梢酝ㄟ^(guò)原始優(yōu)化加速訓(xùn)練過(guò)程，將LapSVM的模型式重新定義為

(15)

式(15)中，b為SVM定義中的閾值。

3.2 道路區(qū)域標(biāo)識(shí)樣本預(yù)選取

利用LapSVM算法進(jìn)行分類，標(biāo)識(shí)樣本數(shù)量越少，則分類結(jié)果誤差越大。本文通過(guò)上文動(dòng)態(tài)選取道路區(qū)域標(biāo)識(shí)樣本，選取那些在確定道路區(qū)域里面或者附近的超像素塊樣本，即可能屬于道路區(qū)域的超像素塊樣本加入訓(xùn)練樣本集，舍棄了離確定道路區(qū)域較遠(yuǎn)或在圖像四角位置的無(wú)標(biāo)記樣本，使得參與訓(xùn)練的無(wú)標(biāo)記樣本提供更豐富的啟發(fā)信息。

3.3 結(jié)合動(dòng)態(tài)道路預(yù)選取樣本的超像素塊分類

結(jié)合動(dòng)態(tài)道路預(yù)選取樣本的Lap SVM超像素塊分類算法，首先對(duì)全部無(wú)標(biāo)記樣本選取少量含啟發(fā)信息更為豐富的m個(gè)無(wú)標(biāo)記樣本，假設(shè)有l(wèi)個(gè)標(biāo)記樣本，以及預(yù)選取m個(gè)無(wú)標(biāo)記樣本，以l+m個(gè)樣本建立k近鄰圖，然后，在此圖上構(gòu)造目標(biāo)函數(shù)f實(shí)現(xiàn)分類。

算法基本流程如下：

1) 輸入標(biāo)識(shí)樣本集合L={xi,i=1,…,m}和無(wú)標(biāo)識(shí)樣本的集合U={xi,i=1,…,u}

2) 從u個(gè)無(wú)標(biāo)記樣本中預(yù)選取含啟發(fā)信息更為豐富的m個(gè)無(wú)標(biāo)記樣本；

3) 利用高斯核函數(shù)，計(jì)算核矩陣Kij=K(xi,xj)；

5) 選取合適的權(quán)重γA，γI；

通過(guò)對(duì)標(biāo)識(shí)樣本和無(wú)標(biāo)識(shí)樣本的超像素塊特征向量進(jìn)行訓(xùn)練學(xué)習(xí)，可以得到Lap SVM分類器，即可用于對(duì)野外復(fù)雜非結(jié)構(gòu)化道路圖像進(jìn)行道路區(qū)域檢測(cè)與識(shí)別。

4 驗(yàn)證

為了驗(yàn)證本文算法對(duì)野外復(fù)雜場(chǎng)景下非結(jié)構(gòu)化道路識(shí)別的有效性。實(shí)驗(yàn)測(cè)試了多種典型復(fù)雜非結(jié)構(gòu)化道路，并與文獻(xiàn)[3]中的算法以及文獻(xiàn)[5]中的算法效果進(jìn)行比較，對(duì)實(shí)驗(yàn)結(jié)果采用定性和定量評(píng)價(jià)方法分析。

實(shí)驗(yàn)以四核Intel i7處理器，8.0 G 內(nèi)存PC 機(jī)為硬件平臺(tái)，在 Windows 7操作系統(tǒng)下以 Matlab R2014a作為開(kāi)發(fā)工具。實(shí)驗(yàn)所用非結(jié)構(gòu)化道路圖像數(shù)據(jù)取自于DGC(DARPA Grand Challenge)場(chǎng)景分割數(shù)據(jù)庫(kù)和在南京珠山采集的非結(jié)構(gòu)化道路數(shù)據(jù)庫(kù)以及互聯(lián)網(wǎng)上經(jīng)過(guò)篩選得到的典型復(fù)雜非結(jié)構(gòu)化道路圖像，將所有實(shí)驗(yàn)圖像進(jìn)行尺寸歸一化為640像素×480像素。

為了能夠?qū)Ω鱾€(gè)算法的道路邊緣檢測(cè)質(zhì)量進(jìn)行定量比較，本文采用精準(zhǔn)度τ來(lái)評(píng)價(jià)各算法邊緣檢測(cè)精度，τ越小檢測(cè)精度越低，反之檢測(cè)精度越高。

(16)

式(16)中：Bt是人工標(biāo)定的道路區(qū)域像素集；Bo是算法檢測(cè)出的道路區(qū)域像素集；Bt∩Bo表示二者交集，即共同部分；Bt∪Bo表示二者并集。

在實(shí)驗(yàn)中定性及定量地對(duì)比了本文和文獻(xiàn)以及文獻(xiàn)提出的非結(jié)構(gòu)化道路邊緣檢測(cè)算法的檢測(cè)性能，檢測(cè)結(jié)果如圖5所示，其中第一列為原圖，第二列為文獻(xiàn)[3]算法道路分割效果圖，第三列為文獻(xiàn)[5]算法道路分割效果圖，第四列為本文算法道路分割效果圖。不同類型圖像主色值選取范圍如表5所示。

表5 不同類型圖像主色值選取范圍

從圖5以及表5可以看出，在以上復(fù)雜野外環(huán)境場(chǎng)景下，由于具有特征自學(xué)習(xí)及在新場(chǎng)景下自動(dòng)調(diào)整的能力，文獻(xiàn)[5]和本文算法均具有極好的道路分割效果，優(yōu)于傳統(tǒng)基于顏色紋理特征的方法。對(duì)于本文選取的圖像數(shù)據(jù)庫(kù)，本文道路檢測(cè)算法的精準(zhǔn)度τ總體達(dá)到了91.9%，相比文獻(xiàn)[3]的基于特征的傳統(tǒng)算法，檢測(cè)精準(zhǔn)度提升67%，且相比于文獻(xiàn)[5]的基于DCNN及自編碼器的道路分割算法，算法處理效率提升63.8%，具有較高的道路檢測(cè)精度和較好的實(shí)時(shí)性。

5 結(jié)論

通過(guò)實(shí)驗(yàn)驗(yàn)證，本文道路檢測(cè)算法的精準(zhǔn)度τ總體達(dá)到了91.9%，精度略低于基于深度學(xué)習(xí)的道路識(shí)別算法，但運(yùn)行效率遠(yuǎn)高于它，提升了63.8%；與基于人工構(gòu)造特征的道路識(shí)別算法相比較，盡管處理速度略慢，但精度卻遠(yuǎn)高于它，提升67%。本算法在檢測(cè)的實(shí)時(shí)性與精準(zhǔn)度問(wèn)題上的合理協(xié)調(diào)，具有較高的道路檢測(cè)精度和較好的實(shí)時(shí)性，能夠?qū)崿F(xiàn)對(duì)野外非結(jié)構(gòu)化道路精準(zhǔn)檢測(cè)。

[1] 王明東， 王天祥.新概念武器的現(xiàn)狀與發(fā)展趨勢(shì)[J].四川兵工學(xué)報(bào)，2014(6)：1-5.

[2] 孟凡杰,王新晴,呂高旺,等.基于多特征準(zhǔn)則改進(jìn)區(qū)域生長(zhǎng)的非結(jié)構(gòu)化道路識(shí)別[J].電腦知識(shí)與技術(shù),2016,12(35):200-202.

[4] 鄧燕子,盧朝陽(yáng),李靜,等.采用多層圖模型推理的道路場(chǎng)景分割算法[J].西安交通大學(xué)學(xué)報(bào)(自然科學(xué)版),2017,51(12):62-67.

[5] 王海,蔡英鳳,賈允毅,等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的場(chǎng)景自適應(yīng)道路分割算法[J].電子與信息學(xué)報(bào),2017,39(2):263-269.

[6] 龔建偉,葉春蘭,姜巖,等.多層感知器自監(jiān)督在線學(xué)習(xí)非結(jié)構(gòu)化道路識(shí)別[J].北京理工大學(xué)學(xué)報(bào),2014,34(3):261-266.

[7] 秦緒佳,王慧玲,杜軼誠(chéng),等.HSV色彩空間的 Retinex結(jié)構(gòu)光圖像增強(qiáng)算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2013,25(4):488-493.

[8] 刁彥華,孟子鈺,王曉君.基于 Hu不變矩的圖像形狀特征提取研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用,2017(10):46-47.

[9] 高程程,惠曉威.基于灰度共生矩陣的紋理特征提取[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2010,19(6):196-198.

[10] 王晨,樊養(yǎng)余,熊磊.利用LapSVM的快速顯著性檢測(cè)方法[J].中國(guó)圖像圖形學(xué)報(bào),2017,22(10):1392-1400.

[11] COSTEA A D,NEDEVSCHI S.Fast traffic scene segmentation using multi-range features from multi-resolution filtered and spatial context channels[C]//IEEE Intelligent Vehicles Symposium Proceedings.Piscataway,NJ,USA:IEEE,2016:328-334.