非結(jié)構(gòu)化道路識(shí)別研究綜述

王鵬 賀陽(yáng) 賈秀娟 張璐

摘 要：道路按照是否有規(guī)則的道路邊界可以分為結(jié)構(gòu)化道路和非結(jié)構(gòu)化道路。結(jié)構(gòu)化道路有明顯的道路特征，系統(tǒng)可以根據(jù)道路模型或者人為設(shè)定的特征準(zhǔn)確識(shí)別。但是實(shí)際環(huán)境中，存在沒(méi)有明顯的道路邊界以及受到霧雪等天氣干擾的路段，稱(chēng)為部分非結(jié)構(gòu)化道路和完全非結(jié)構(gòu)化道路。在非結(jié)構(gòu)化道路識(shí)別上運(yùn)用結(jié)構(gòu)化道路的識(shí)別方法可能會(huì)導(dǎo)致錯(cuò)誤的決策。因此，快速準(zhǔn)確識(shí)別出非結(jié)構(gòu)化環(huán)境中的道路對(duì)智能駕駛自主決策至關(guān)重要。該文基于近5年國(guó)內(nèi)外相關(guān)研究，對(duì)目前非結(jié)構(gòu)化道路的傳統(tǒng)識(shí)別方法、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)與數(shù)據(jù)融合等方法進(jìn)行了整理與分析。

關(guān)鍵詞：非結(jié)構(gòu)化道路識(shí)別 機(jī)器學(xué)習(xí) 深度學(xué)習(xí) 多傳感器融合

中圖分類(lèi)號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2019）01（b）-0-02

隨著汽車(chē)行業(yè)不斷發(fā)展，汽車(chē)相關(guān)的安全問(wèn)題變得日趨重要。近年來(lái)發(fā)展的無(wú)人駕駛技術(shù)旨在提高汽車(chē)安全性。因此，在道路結(jié)構(gòu)不明顯的情況下有效識(shí)別出道路的可通行區(qū)域，增強(qiáng)在惡劣極端天氣下的道路識(shí)別能力，對(duì)車(chē)道偏離做出準(zhǔn)確的預(yù)警，可以提高無(wú)人駕駛車(chē)輛的安全性和魯棒性。對(duì)無(wú)人駕駛的實(shí)際應(yīng)用具有巨大的意義。

1 傳統(tǒng)非結(jié)構(gòu)道路識(shí)別方法

1.1 道路模型法

道路識(shí)別常用的方法為道路模型法。部分非結(jié)構(gòu)化道路依然具有一定程度的固定結(jié)構(gòu)，通過(guò)合理構(gòu)造相對(duì)規(guī)則的邊緣，近似得到特征明顯的道路模型。該種方法優(yōu)勢(shì)在于對(duì)陰影等干擾不敏感，但只適用于部分非結(jié)構(gòu)化道路，無(wú)法適用于邊緣不明顯的完全非結(jié)構(gòu)化道路。對(duì)此，胡曉輝等人提出了一種基于3次樣條曲線(xiàn)模型和分塊子區(qū)生長(zhǎng)模型（CSCM_BSG）相結(jié)合的完全非結(jié)構(gòu)化道路檢測(cè)算法。該方法選取HSV模型，對(duì)色度（H）和飽和度（S）進(jìn)行3次樣條插值，將圖像分割并映射到偽彩色空間。利用主、輔色色調(diào)、種類(lèi)和紋理完成特征提取。這種算法只對(duì)子區(qū)進(jìn)行一次掃描，避免了反復(fù)迭代，能有效屏蔽陰影、水跡等干擾，提升了道路匹配率和實(shí)時(shí)性。

1.2 光流法

圖像特征匹配時(shí)產(chǎn)生的對(duì)相對(duì)位移會(huì)形成光流，光流法通過(guò)對(duì)光流的計(jì)算實(shí)現(xiàn)道路的辨別。其難點(diǎn)在于圖像之間的特征匹配。對(duì)此，石朝俠等人提出了一種基于組合特征的光流檢測(cè)方法。這種方法結(jié)合了SIFT特征尺度和放射變換，具有良好的魯棒性，并且得到的Harri角點(diǎn)特征分布均勻。首先將非道路區(qū)域設(shè)置為感興趣區(qū)域（ROI），通過(guò)對(duì)ROI區(qū)域提取SIFT-Harri角點(diǎn)組合特征，判斷ROI區(qū)域是否靜止。該方法和LK光流法相比，能夠形成較清晰的光流，并能識(shí)別出可通行區(qū)域。

1.3 消失點(diǎn)檢測(cè)法

非結(jié)構(gòu)化道路特征不明顯，從而不易被系統(tǒng)識(shí)別。因此，以容易識(shí)別的道路消失點(diǎn)作為道路約束條件的方法應(yīng)運(yùn)而生。通過(guò)消失點(diǎn)檢測(cè)和道路模型假設(shè)，從環(huán)境中分割出非結(jié)構(gòu)化道路區(qū)域。目前，消失點(diǎn)檢測(cè)主要基于Gabor紋理的加權(quán)投票方法。例如，潘奎剛等人提出了一種基于主方向加權(quán)投票的非結(jié)構(gòu)化道路消失點(diǎn)檢測(cè)方法。該方法采用一尺度四方向的Gabor濾波器，對(duì)原圖像的灰度圖進(jìn)行濾波，得到4個(gè)方向上的實(shí)部和虛部矩陣。計(jì)算4個(gè)紋理響應(yīng)的方向并排序，通過(guò)置信度來(lái)篩選投票候選點(diǎn)，確定主方向并進(jìn)行校正。該方法受光照強(qiáng)度影響較小，在夜間有較好效果，但計(jì)算量過(guò)大，實(shí)時(shí)性差。

1.4 圖像分割法

圖像分割法根據(jù)人工設(shè)定的特征對(duì)圖像進(jìn)行分割，并進(jìn)行處理，從而實(shí)現(xiàn)道路識(shí)別的目標(biāo)。胡旭等人提出了一種基于特征模型的非結(jié)構(gòu)化道路識(shí)別跟蹤方法，該方法利用LBP紋理特征和顏色特征建立了H-S-LBP特征模型并進(jìn)行反向投影，完成分割。同時(shí)利用卡爾曼濾波器對(duì)特征模型進(jìn)行更新。交替執(zhí)行反向投影和模型更新，從而完成對(duì)非結(jié)構(gòu)化道路的跟蹤。實(shí)驗(yàn)表明該方法魯棒性、實(shí)時(shí)性較好，精度較高。

2 機(jī)器學(xué)習(xí)

雖然非結(jié)構(gòu)化道路特征不明顯，但周?chē)h(huán)境中植物特征相對(duì)明顯。根據(jù)非結(jié)構(gòu)化道路的特點(diǎn)，周植宇等人提出了一種基于高斯核支持向量機(jī)的非結(jié)構(gòu)化道路環(huán)境植被檢測(cè)方法。通過(guò)檢測(cè)植被，完成可通行區(qū)域和不可通行區(qū)域的甄別?？紤]到植被幾何形狀、邊緣線(xiàn)等特征不明顯，該方法采用顏色特征，選擇圖像像素相關(guān)性較小的模型，采用SLIC超像素分割方法標(biāo)記原始樣本，從而獲得樣本空間的稀疏表示T。運(yùn)用支持向量機(jī)通過(guò)高斯核函數(shù)進(jìn)行學(xué)習(xí)，使用學(xué)習(xí)得到的模型對(duì)圖像進(jìn)行分類(lèi)。最后，將分類(lèi)結(jié)果中置信度高于設(shè)定值的柵格窗標(biāo)記為植被區(qū)。實(shí)驗(yàn)表明該方法準(zhǔn)確率在94.9%左右。

3 深度學(xué)習(xí)

深度學(xué)習(xí)是含有多層隱藏層的人工神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)在圖像識(shí)別方面的應(yīng)用，相比較傳統(tǒng)方法的優(yōu)點(diǎn)在于不需要人為設(shè)定特征。卷積神經(jīng)網(wǎng)（ConvNet）能夠?qū)D像進(jìn)行語(yǔ)義層面的分割，因此近年來(lái)在圖像識(shí)別方面展現(xiàn)出巨大的優(yōu)勢(shì)。基于卷積神經(jīng)網(wǎng)技術(shù)，Keiller等人提出了一種通過(guò)3種卷積網(wǎng)的分類(lèi)結(jié)果進(jìn)行投票分類(lèi)的方法。該方法建立了3種卷積網(wǎng)：每一個(gè)像素分別作為核心的上下文窗口訓(xùn)練出的標(biāo)準(zhǔn)卷積網(wǎng)；使用固定大小的塊（Patch）來(lái)訓(xùn)練出的全卷積神經(jīng)網(wǎng)和反卷積神經(jīng)網(wǎng)。通過(guò)使用3種神經(jīng)網(wǎng)對(duì)源圖像進(jìn)行投票分類(lèi)，根據(jù)不同閾值，對(duì)投票結(jié)果進(jìn)行劃分，從而得到最終的圖像分割結(jié)果。由卷積神經(jīng)網(wǎng)結(jié)合的分割結(jié)果和單一神經(jīng)網(wǎng)分割結(jié)果比較可知，相比較單一的神經(jīng)網(wǎng)，結(jié)合的神經(jīng)網(wǎng)能夠發(fā)揮各個(gè)神經(jīng)網(wǎng)各自的優(yōu)點(diǎn)，彌補(bǔ)不足，具有較高的識(shí)別率。

4 基于雷達(dá)的道路識(shí)別方法

雷達(dá)傳感器因具有可以向系統(tǒng)反饋三維坐標(biāo)、深度等信息的特點(diǎn)，被廣泛利用于識(shí)別領(lǐng)域。其中，李寧等人提出了一種基于多線(xiàn)激光雷達(dá)的非結(jié)構(gòu)化道路感知方法，通過(guò)對(duì)柵格化后的點(diǎn)云數(shù)據(jù)完成距地高度、高度差、梯度差等特征數(shù)據(jù)的統(tǒng)計(jì)和聚類(lèi)分析、跟蹤，實(shí)現(xiàn)了可通行區(qū)域、靜態(tài)障礙物的識(shí)別與車(chē)輛的跟蹤監(jiān)測(cè)。具體流程見(jiàn)圖1。

5 數(shù)據(jù)融合

視覺(jué)傳感器能夠采集紋理信息，同時(shí)雷達(dá)傳感器能夠收集深度信息。基于上述特點(diǎn)，有學(xué)者通過(guò)結(jié)合兩種傳感器各自的特點(diǎn)提出了一種非結(jié)構(gòu)化道路的實(shí)時(shí)語(yǔ)意分割地圖方法。該方法通過(guò)深度學(xué)習(xí)訓(xùn)練圖片，用完成訓(xùn)練的模型對(duì)圖片語(yǔ)意進(jìn)行分割；同時(shí)，利用雷達(dá)獲取與圖片逐幀對(duì)應(yīng)的點(diǎn)云數(shù)據(jù)，將點(diǎn)云數(shù)據(jù)和語(yǔ)意分割圖相匹配、融合，得到2.5D分割地圖。根據(jù)地圖計(jì)算不同候選路徑的損失，最終選擇損失最小的路徑作為當(dāng)前路徑。實(shí)驗(yàn)證明，該方法能綜合考慮圖像紋理和深度信息，時(shí)效性、魯棒性較好。

6 結(jié)語(yǔ)

非結(jié)構(gòu)化道路識(shí)別的研究從利用單一傳感器發(fā)展到多傳感器融合，將圖像橫向紋理特征和雷達(dá)的縱向深度信息相結(jié)合，提高了魯棒性；由人為設(shè)定特征發(fā)展到利用機(jī)器學(xué)習(xí)的方法來(lái)訓(xùn)練，獲得道路特征的抽象表示，提高了識(shí)別結(jié)果的準(zhǔn)確性。非結(jié)構(gòu)化道路識(shí)別的準(zhǔn)確性和實(shí)時(shí)性的提升對(duì)無(wú)人駕駛車(chē)輛的普及具有重大意義。

參考文獻(xiàn)

[1] 胡曉輝，孫苗強(qiáng)，蘇曉許.偽彩色空間完全非結(jié)構(gòu)化道路檢測(cè)方法[J].中國(guó)圖像圖形學(xué)報(bào)，2012，17（2）：203-208.

[2] 石朝俠，彭威，王燕清.面向非結(jié)構(gòu)化道路的特征光流檢測(cè)[J].中國(guó)科技論文，2014（7）：808-811.

[3] 石朝俠.基于主方向加權(quán)投票的非結(jié)構(gòu)化道路消失點(diǎn)檢測(cè)[J].計(jì)算機(jī)工程，2017，43（12）：237-241.