改進(jìn)的多特征融合人行道檢測(cè)算法

胡強(qiáng)，屈薔，何鑫

1. 南京航空航天大學(xué) 自動(dòng)化學(xué)院，江蘇 南京 211106

2. 南京航空航天大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 南京 211106

隨著自動(dòng)駕駛技術(shù)的發(fā)展，基于視覺(jué)的道路檢測(cè)算法在全球范圍內(nèi)得到了廣泛應(yīng)用。這些方法的主要目的是提供將像素點(diǎn)劃分為屬于或不屬于道路區(qū)域的能力。鑒于自動(dòng)駕駛汽車的場(chǎng)景限制，算法多使用柏油馬路為主的車道公開(kāi)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，在具有不同特征的室外人行道上少有研究。對(duì)于數(shù)量眾多的盲人群體來(lái)說(shuō)，檢測(cè)出人行道能在一定程度上解決出行的問(wèn)題。因此本文在已有車道檢測(cè)算法的基礎(chǔ)上對(duì)人行道的區(qū)域分割進(jìn)行研究。

單目相機(jī)依靠成本低廉、校準(zhǔn)使用簡(jiǎn)單、包含圖像信息豐富等優(yōu)勢(shì)，逐漸成為道路檢測(cè)的主流設(shè)備。單目視覺(jué)主要有基于區(qū)域和基于紋理2 種方法。其中，基于區(qū)域的方法[1]是指在圖像中尋找顏色、紋理等屬性，從背景中將道路區(qū)域分割出來(lái)。當(dāng)路面與周圍環(huán)境明顯不同時(shí)，這種策略是成功的。然而當(dāng)?shù)缆肪哂蟹蔷鶆虮砻婧蛷?fù)雜特征時(shí)，任務(wù)變得困難起來(lái)?；诩y理的方法[2]利用Gabor 濾波器的紋理輸出進(jìn)行投票尋找消失點(diǎn)來(lái)實(shí)現(xiàn)道路區(qū)域分割。Gabor 濾波器存在大量的方向?qū)е略摲椒ㄓ?jì)算量大，難以實(shí)時(shí)使用。后續(xù)研究采用道路先驗(yàn)[3]、上下文信息[4]和最優(yōu)局部?jī)?yōu)勢(shì)定位（optimal local dominant orientation method,OLDOM）[5]等方法對(duì)這兩種方法進(jìn)行改善。雖然在一定程度上起到提高檢測(cè)精度和縮短運(yùn)行時(shí)間的作用，但是單目視覺(jué)算法仍然存在三維信息丟失導(dǎo)致的模糊問(wèn)題。

已有學(xué)者開(kāi)始嘗試?yán)萌S的深度線索來(lái)探測(cè)路面。通過(guò)將問(wèn)題限制在平面道路上，文獻(xiàn)[6]的工作發(fā)現(xiàn)V 視差圖中道路的縱斷面被投影成對(duì)角線直線，利用U 視差圖去除部分垂直障礙物，再通過(guò)曲線擬合技術(shù)對(duì)直線進(jìn)行提取，映射出道路區(qū)域。文獻(xiàn)[7]則在U-V 視差圖法的基礎(chǔ)上采用RANSAC 對(duì)隨機(jī)采樣的視差斑塊進(jìn)行道路平面參數(shù)的計(jì)算，通過(guò)引入道路平面坡度約束，去除不可靠的斑塊。但是雙目視覺(jué)系統(tǒng)的基線和圖像分辨率限制了測(cè)量精度，直接使用深度等三維信息可能產(chǎn)生不可靠的結(jié)果。

道路檢測(cè)的另一種思路側(cè)重于融合和分類。隨著機(jī)器學(xué)習(xí)應(yīng)用越來(lái)越受到重視，研究者開(kāi)始對(duì)道路提取到的信息進(jìn)行融合。除了顏色信息之外，Gabor 特征[8]、多尺度特征[9]以及位置先驗(yàn)特征[10]也逐漸被使用。然而簡(jiǎn)單地將上述二維特征信息進(jìn)行融合，對(duì)于一些復(fù)雜的人行道場(chǎng)景，比如樹(shù)木陰影、背景特征相似性干擾等，檢測(cè)結(jié)果存在一定程度的誤差。

分析上述問(wèn)題，本文提出了一種改進(jìn)的多特征融合人行道檢測(cè)算法。考慮到像素級(jí)圖像操作會(huì)增加后續(xù)處理復(fù)雜度和噪聲干擾，因此通過(guò)比較不同的超像素算法，選取效果最佳的方法將人行道數(shù)據(jù)集圖像分割成區(qū)域級(jí)圖像，并研究超像素參數(shù)對(duì)檢測(cè)精度的影響。為了解決Gabor 濾波器存在大量方向?qū)е碌母邥r(shí)間復(fù)雜度問(wèn)題，根據(jù)人行道的紋理特點(diǎn)提出一種改進(jìn)算法來(lái)加速特征的提取。由于背景特征相似性帶來(lái)相應(yīng)的干擾，所以融合了三維特征和常用的二維特征，并提出了基于PCA 的光照不變空間特征（簡(jiǎn)稱PCA-II）來(lái)減少?gòu)?qiáng)光和陰影帶來(lái)的影響。超像素參數(shù)非自適應(yīng)性會(huì)導(dǎo)致道路邊緣出現(xiàn)凹凸的現(xiàn)象，因此利用馬爾可夫隨機(jī)場(chǎng)（Markov random field, MRF）對(duì)分割結(jié)果進(jìn)行細(xì)化。

1 多特征融合的人行道檢測(cè)算法

本文提出的人行道檢測(cè)算法主要由3 部分組成，如圖1 所示。第1 部分采用超像素算法將RGB 圖像分割成超像素圖，并進(jìn)行立體匹配[11]和PCA-II 轉(zhuǎn)換得到視差圖和PCA-II 圖；第2 部分提取各超像素塊的RGB、HSV 顏色特征、位置特征、PCA-II 特征以及三維深度梯度特征，利用改進(jìn)的Gabor 濾波器加速算法對(duì)紋理特征進(jìn)行提??；第3 部分選用Adaboost 分類器對(duì)多特征進(jìn)行融合，并通過(guò)MRF 對(duì)分割結(jié)果進(jìn)行細(xì)化。

圖1 人行道檢測(cè)算法流程

1.1 多特征融合

本文在文獻(xiàn)[12]提出的基于機(jī)器學(xué)習(xí)的車道檢測(cè)算法基礎(chǔ)上，將PCA-II 特征和三維深度信息用于人行道檢測(cè)，以減少光照變化和背景特征相似性干擾的影響。為了更好地反映二維和三維特征的協(xié)同作用，遵循文獻(xiàn)[13] 的思想，在早期階段對(duì)提取的特征進(jìn)行融合。將從二維和三維信息中提取的特征向量組合成機(jī)器學(xué)習(xí)分類器的輸入，即

在二維特征的選擇上，首先考慮圖像檢索中應(yīng)用最廣泛的顏色特征，RGB 和HSV 空間作為最常用的顏色空間，能夠很大程度上提供與色彩相關(guān)的有效信息，同時(shí)驗(yàn)證不同色彩空間對(duì)于檢測(cè)精度的影響。觀察數(shù)據(jù)集圖像時(shí)發(fā)現(xiàn)，人行道區(qū)域由兩條相交于地平線處的道路特征線包圍且多位于圖像的正下方，因此選擇位置特征信息以排除圖像正上方的背景干擾塊。由于現(xiàn)實(shí)生活中大部分人行道具有獨(dú)特的花紋和線條方向差異，選擇基于時(shí)間局部化的Gabor 變換提取圖像邊緣的多方向和多尺度特征作為紋理特征，可以有效地定位目標(biāo)區(qū)域。梯度值表示圖像中某個(gè)鄰域內(nèi)的灰度變化，典型的梯度特征描述子（gradient kernel descriptor, GKDES）為方向梯度直方圖（histogram of oriented gradients, HOG）特征，結(jié)合SVM 分類器被廣泛用于行人檢測(cè)中。鑒于人行道區(qū)域的邊緣豐富，因此選擇GKDES 作為人行道檢測(cè)的候選特征。在基于相機(jī)的視覺(jué)系統(tǒng)中，光照的變化會(huì)產(chǎn)生不需要的偽像，從而顯著影響實(shí)驗(yàn)程序的結(jié)果，所以引入PCA-II 特征實(shí)現(xiàn)圖像對(duì)光的分離效果。

在三維特征的選擇上，本文實(shí)驗(yàn)的設(shè)備為雙目攝像頭，能夠在運(yùn)動(dòng)或靜止?fàn)顟B(tài)下對(duì)目標(biāo)進(jìn)行深度估計(jì)，原理如圖2 所示。假設(shè)將現(xiàn)實(shí)中的目標(biāo)點(diǎn)P(X,Y,Z)投影到圖像坐標(biāo)系下的像素點(diǎn)p(u,v)，則坐標(biāo)(u,v)表示為

式中： θ為相機(jī)的俯仰角；h為相機(jī)距離地面的高度；b為 立體基準(zhǔn)線；f為焦距；(u0,v0)為相機(jī)光學(xué)中心投影的像素坐標(biāo)；i表示左相機(jī)（ εl）或者右相機(jī)（ εr）：εl=-1，εr=1；則視差值Δ=ul-ur的計(jì)算公式為

聯(lián)立式（1）、（2）可知Y與視差值 Δ、像素坐標(biāo)值v的關(guān)系為

因?yàn)槁访娴纳疃葟慕竭h(yuǎn)呈現(xiàn)近似線性增加，不會(huì)產(chǎn)生較大的數(shù)值波動(dòng)，因此選擇深度梯度特征子（depth gradient kernel descriptor, DGKDES）作為三維融合特征可以獲取水平面的大致區(qū)域，剔除視差突變區(qū)域以及無(wú)視差區(qū)域。

選擇合適的交叉特征融合策略，首先獨(dú)立評(píng)估二維和三維特征的檢測(cè)精度，然后有選擇地對(duì)二維和三維特征進(jìn)行組合進(jìn)行效果評(píng)估。特征選擇和組合的細(xì)節(jié)將在實(shí)驗(yàn)部分中展示。

圖2 雙目視覺(jué)原理

1.2 改進(jìn)的Gabor 濾波器紋理提取算法

基于文獻(xiàn)[5]的道路檢測(cè)方法以及考慮人行道紋理的特殊性，本文為圖像卷積定義了32 個(gè)Gabor 濾波器：4 個(gè)頻率8 個(gè)方向，在超像素塊上進(jìn)行像素平均操作后得到32 維向量作為分類器輸入。但是由于使用的樣本數(shù)據(jù)集圖像規(guī)模在千張數(shù)量級(jí)，提取32 維的Gabor 紋理特征將會(huì)耗費(fèi)大量時(shí)間，因此需要對(duì)該算法進(jìn)行改進(jìn)以加速紋理特征的提取。

首先，定義8 個(gè)Gabor 能量對(duì)應(yīng)方向值為φ ∈{0°, 22.5°, 45°, 67.5°, 90°, 112.5°, 135°, 157.5°}，則φ方向上對(duì)應(yīng)的Gabor 濾波器能夠?qū)懗?/p>

式中：ω0=2π/λ， λ表示Gabor 核函數(shù)的波長(zhǎng)；a=xcosφ+ysinφ；b=-xsinφ+ycosφ；c為常量， π/2。通過(guò)將灰度輸入圖像I與一組Gabor 濾波器進(jìn)行卷積來(lái)獲得每個(gè)像素的Gabor 能量響應(yīng)，即

因此像素p在 φ方向上對(duì)應(yīng)的復(fù)數(shù)Gabor 濾波器能量值計(jì)算公式為

當(dāng)數(shù)據(jù)集輸入圖像像素為N，圖像數(shù)量為W，提取單像素紋理特征時(shí)間為T，則原先的算法所需時(shí)間為32TNW。改進(jìn)的思路是根據(jù)常識(shí)發(fā)現(xiàn)，通常人行道鋪設(shè)材料相比于車道在不同方向上存在極其明顯的紋理差異，同時(shí)天空、墻面等區(qū)域無(wú)明顯紋理。因此利用式（3）計(jì)算各超像素塊的一組Gabor 能量，再按照能量均值進(jìn)行降序排列，即

式中Eth稱為Gabor 能量響應(yīng)閾值。當(dāng)超像素塊k主導(dǎo)方向能量值小于Eth或者置信度Conf(k)低于置信閾值Tc，則視為不可靠超像素塊，計(jì)算后面3 組Gabor 能量時(shí)直接將能量數(shù)值設(shè)為0。若不可靠超像素塊包含D像素，則紋理提取時(shí)間將降為32T(N-D)W+8TDW，所耗時(shí)間會(huì)隨著篩選出的不可靠超像素塊數(shù)量的增加而明顯減少，起到一定程度上的加速效果。本文在實(shí)驗(yàn)部分將對(duì)閾值Eth、Tc的選取進(jìn)行討論。

1.3 基于PCA 的光照不變空間算法

光照不變空間的原理如圖3 所示，具有不同強(qiáng)度相同色度的RGB 顏色被映射到色比空間的同一虛線上，與所有虛線正交的實(shí)線l就是所需的一維光照不變線性空間。算法的關(guān)鍵在于尋找合適的色度投影線l。文獻(xiàn)[14]中提出計(jì)算多個(gè)投影方向下的熵值，并選擇熵值最小時(shí)對(duì)應(yīng)的方向作為投影方向，缺點(diǎn)就是需要進(jìn)行多次計(jì)算（如以1°為基準(zhǔn)則需要投影180 次）。本文通過(guò)觀察色比空間像素顏色分布發(fā)現(xiàn)，使用PCA 算法能夠快速獲取色度投影線l，保證人行道檢測(cè)的實(shí)時(shí)性。

圖3 光照不變空間原理

首先介紹2 種二維色比空間。第1 種計(jì)算每個(gè)像素的對(duì)數(shù)顏色比率，即

該方法利用G作為歸一化通道計(jì)算對(duì)數(shù)色比值。第2 種采用RGB 顏色空間幾何平均對(duì)數(shù)值來(lái)計(jì)算色比空間，即

確定合適的色比空間映射函數(shù)是計(jì)算高質(zhì)量光照不變空間的關(guān)鍵，因此利用創(chuàng)建的人行道數(shù)據(jù)集對(duì)2 種映射函數(shù)進(jìn)行檢驗(yàn)，部分結(jié)果如圖4所示。

圖4 色比空間像素散點(diǎn)圖

對(duì)比圖4（a）和（b）發(fā)現(xiàn)，人行道數(shù)據(jù)集圖像更適合幾何平均對(duì)數(shù)色比空間，因?yàn)辄c(diǎn)與點(diǎn)之間更密集且扁平，同時(shí)二維色比空間內(nèi)的像素投影到一維色度投影線l上的色度更緊湊，有效地減少光照變化的影響。

本文發(fā)現(xiàn)散點(diǎn)圖分布近似于橢圓形，適用于PCA 的最大方差理論，即將最大方差的主方向作為色度投影的方向。因此利用PCA 作為全局方法標(biāo)識(shí)出具有最大方差的半主軸。將所有像素的r、b值構(gòu)成一個(gè)2×n的矩陣X，對(duì)協(xié)方差矩陣C=XXT進(jìn)行奇異值分解得到最大方差和最小方差的特征向量和特征值e1、e[2、 λ1、 λ2，]即

圖4（b）中e1作為二維空間內(nèi)色度投影的方向，穿過(guò)樣本中心且方向?yàn)閑2的一維直線被視為色度投影線l。經(jīng)過(guò)PCA-II 轉(zhuǎn)換的結(jié)果如圖5 所示，可以看出人行道區(qū)域上的強(qiáng)光和陰影顯示差異變小。

圖5 PCA-II 轉(zhuǎn)換特征圖

2 實(shí)驗(yàn)分析與驗(yàn)證

2.1 數(shù)據(jù)收集與標(biāo)注

本文所使用的人行道數(shù)據(jù)集均由高清USB雙目攝像頭采集，可支持的分辨最高可達(dá)2 560 pix×960 pix，對(duì)應(yīng)幀數(shù)可穩(wěn)定保持在60 F/s，水平70°視角無(wú)畸變，基線長(zhǎng)度為59.5 mm。數(shù)據(jù)集圖像在強(qiáng)光照和陰暗天氣下分別以行人視角進(jìn)行拍攝，觀察實(shí)際環(huán)境發(fā)現(xiàn)拍攝場(chǎng)景大致分為2 類：第1 種是僅包含人行道的非機(jī)動(dòng)車區(qū)域場(chǎng)景，第2 種指柏油馬路機(jī)動(dòng)車道和人行道同時(shí)出現(xiàn)的路邊街道場(chǎng)景。實(shí)驗(yàn)共收集2 000 組雙目圖像，訓(xùn)練集和測(cè)試集各分配1 000 組圖像數(shù)據(jù)。為了縮短訓(xùn)練時(shí)間，數(shù)據(jù)集圖像分辨率選擇為320 pix×240 pix。人行道區(qū)域標(biāo)注部分使用開(kāi)源圖像標(biāo)注工具Labelme，人工選取道路覆蓋區(qū)域生成json 文件，利用cmd 指令轉(zhuǎn)換成相應(yīng)的Mask 數(shù)據(jù)用于本文算法的訓(xùn)練和預(yù)測(cè)。

2.2 超像素算法評(píng)估

目前超像素算法主要分為2 類，即SL、Graph Cut 等基于圖論的方法和VCells、TurboPixels、SLIC等基于聚類的方法。本文在人行道數(shù)據(jù)集上對(duì)上述超像素算法性能進(jìn)行評(píng)估，評(píng)估指標(biāo)包括欠分割錯(cuò)誤率（under-segmentation error, UE）、邊界響應(yīng)率（boundary recall, BR）、可實(shí)現(xiàn)分割精度（achievable segmentation accuracy, ASA）以及運(yùn)行時(shí)間表現(xiàn)（runtime performance, RF），實(shí)驗(yàn)結(jié)果如圖6、7 所示。

圖6 不同超像素算法性能

圖7 不同超像素算法分割效果圖

根據(jù)圖6（a）和（b）可以看出，Vcells 和SLIC在欠分割錯(cuò)誤率和邊界響應(yīng)率上都具有較優(yōu)的表現(xiàn)。欠分割錯(cuò)誤率低說(shuō)明在地面真值附近的超像素緊密；邊界響應(yīng)率高體現(xiàn)切割出的邊緣盡可能多地是圖像自然邊緣，能很好地保持地面真值分割的邊界。盡管SL 在邊界響應(yīng)率上有最好的表現(xiàn)，但是在其他指標(biāo)上的表現(xiàn)使其難以應(yīng)用。圖6（d）可以很明顯地看出SLIC 在運(yùn)行時(shí)間表現(xiàn)上遠(yuǎn)優(yōu)于Vcells，約比Vcells 快20 倍。綜合以上的分析，本文在人行道檢測(cè)上選擇SLIC 作為圖像預(yù)處理的超像素算法。

SLIC 具有唯一參數(shù)超像素塊數(shù)K，為了驗(yàn)證該參數(shù)對(duì)人行道檢測(cè)精度的影響，該實(shí)驗(yàn)基于RGB+POS+HSV 特征組合，K從100～1 000 間隔為10 地選取數(shù)值，對(duì)每張圖像訓(xùn)練時(shí)間和超像素塊檢測(cè)精度進(jìn)行統(tǒng)計(jì)，如圖8 所示。

圖8 SLIC 參數(shù)K 評(píng)估

根據(jù)實(shí)驗(yàn)數(shù)據(jù)可知，由于以超像素塊為基準(zhǔn)進(jìn)行特征提取，隨著K值的增加，需要耗費(fèi)更多的計(jì)算時(shí)間。當(dāng)K值較小時(shí)會(huì)出現(xiàn)欠分割現(xiàn)象，道路區(qū)域和非道路區(qū)域被分割在同一超像素塊下，在后續(xù)訓(xùn)練和預(yù)測(cè)過(guò)程中會(huì)出現(xiàn)邊緣凹凸等現(xiàn)象；當(dāng)K值較大時(shí)則會(huì)導(dǎo)致道路區(qū)域被過(guò)度分割成多個(gè)小區(qū)域，增加特征向量維數(shù)的同時(shí)降低分類器對(duì)噪聲的魯棒性，導(dǎo)致超像素塊檢測(cè)精度呈下降趨勢(shì)。對(duì)于本文數(shù)據(jù)集而言，K值在300 左右能取得相對(duì)較好的效果。

2.3 改進(jìn)的Gabor 紋理提取算法加速效果評(píng)估

首先在保證檢測(cè)精度受影響較小的前提下選取改進(jìn)算法的閾值Eth、Tc。分別計(jì)算每張訓(xùn)練集圖像道路區(qū)域和非道路區(qū)域超像素塊Gabor能量，統(tǒng)計(jì)后發(fā)現(xiàn)天空等無(wú)紋理區(qū)域8 個(gè)方向Gabor 能量趨向于零，因此設(shè)置Gabor 能量閾值Eth=0.1以剔除無(wú)紋理區(qū)域。置信度閾值Tc預(yù)設(shè)為{0.70,0.75,0.80,0.85,0.90,0.95}，6 個(gè)數(shù)值分別進(jìn)行實(shí)驗(yàn)，相應(yīng)閾值下定義道路超像素塊誤剔除個(gè)數(shù)為R，非道路超像素塊準(zhǔn)確被剔除個(gè)數(shù)為N，道路超像素塊總個(gè)數(shù)為U，非道路超像素塊總個(gè)數(shù)為V，平均每張圖像節(jié)省時(shí)間百分比為S，結(jié)果如表1所示。

表1 Gabor 濾波器紋理提取加速效果%

結(jié)合實(shí)驗(yàn)結(jié)果可知，當(dāng)置信度閾值Tc較小時(shí)，道路區(qū)域的誤剔除率和非道路區(qū)域的準(zhǔn)確剔除率均很小，算法的加速效果并不明顯；當(dāng)Tc從0.9 提升到0.95 時(shí)，誤剔除率大幅度提升，這是因?yàn)?.95 時(shí)區(qū)域各方向紋理差別非常大，地磚鋪設(shè)的人行道區(qū)域也難以達(dá)到該數(shù)值。因此，本文實(shí)驗(yàn)置信度閾值Tc為0.9 左右時(shí)加速效果最佳，平均每張圖片可節(jié)省23.203%的時(shí)間，證明本文提出的改進(jìn)算法的有效性。

2.4 多特征融合評(píng)估

首選通過(guò)對(duì)比實(shí)驗(yàn)觀察不同分類器對(duì)人行道檢測(cè)精度的影響。使用的特征組合是“RGB+Gabor+POS”，待驗(yàn)證的機(jī)器學(xué)習(xí)算法包括：Adaboost、Random Forest、SVM、ANN 和Logistic。圖9 展示了不同分類器的檢測(cè)精度，可以發(fā)現(xiàn)Adaboost 在本數(shù)據(jù)集中的表現(xiàn)明顯優(yōu)于其他算法。

圖9 不同分類器的分割精度

根據(jù)路面真實(shí)情況和算法的檢測(cè)結(jié)果，將測(cè)試樣本中的超像素塊標(biāo)記為4 種情況：TP、TN、FP、FN。采用4 種指標(biāo)來(lái)描述檢測(cè)性能：質(zhì)量（Q），檢出率（P），檢測(cè)精度（R）以及有效性（F）。

分別對(duì)每種特征進(jìn)行評(píng)估，然后有選擇地融合，得到最佳的特征組合。表2 展示了每種特征在Adaboost 分類器下單獨(dú)評(píng)估時(shí)的結(jié)果。

表2 道路特征單獨(dú)評(píng)估結(jié)果%

比較它們之間的表達(dá)能力，發(fā)現(xiàn)紋理特征對(duì)人行道的識(shí)別力最強(qiáng)，梯度描述子的識(shí)別力最弱。這是因?yàn)槿诵械蓝鄶?shù)是由磚塊鋪設(shè)而成，存在著多個(gè)方向的明顯紋理，而背景中較多像素在X、Y方向上的梯度變化較大，這與人行道的梯度數(shù)值基本相同，起到干擾的作用。

RGB 和HSV 表示的是顏色信息，RGB 比HSV識(shí)別道路的能力更好，Gabor 提供的是紋理信息，POS 表達(dá)的是位置信息，GKDES 的檢測(cè)結(jié)果最差，PCA-II 和DGKDES 是新加入的特征，因此首先選擇4 種組合方式：“RGB+Gabor”、“HSV+POS” 、 “HSV+Gabor ” 和“RGB+Gabor+POS ”。根據(jù)表3 的評(píng)估結(jié)果說(shuō)明“RGB+Gabor+POS”組合的表現(xiàn)最好。

表3 基本道路特征組合評(píng)估結(jié)果%

在特征框架“RGB+Gabor+POS”（簡(jiǎn)稱“RGP”）的基礎(chǔ)上，對(duì)新加入的PCA-II 和DGKDES 特征分別驗(yàn)證其效果，結(jié)果如圖10 所示。

圖10 PCA-II 和DGKDES 特征改進(jìn)效果

根據(jù)圖9 的檢測(cè)效果可發(fā)現(xiàn)，PCA-II 特征彌補(bǔ)了原有特征組合無(wú)法檢測(cè)部分陰影區(qū)域的缺點(diǎn)，DGKDES 特征能夠消除部分不在人行道同一平面的誤判超像素塊，從而使檢測(cè)效果更接近地面真實(shí)值，精度提高效果如表4 所示。

表4 PCA-II 和DGKDES 新特征評(píng)估結(jié)果%

2.5 MRF 優(yōu)化結(jié)果和不同算法對(duì)比實(shí)驗(yàn)

為了驗(yàn)證MRF 后處理技術(shù)的重要性，本文將未經(jīng)過(guò)MRF 處理和經(jīng)過(guò)MRF 處理的檢測(cè)結(jié)果進(jìn)行比較，如圖11 所示。通過(guò)MRF 分割優(yōu)化后，可以發(fā)現(xiàn)在不影響檢測(cè)精度的同時(shí)，檢測(cè)出的人行道邊緣與真實(shí)地面的輪廓更擬合，道路區(qū)域和非道路區(qū)域分界線的凹凸現(xiàn)象得到改善，補(bǔ)償了SLIC 超像素塊進(jìn)行預(yù)處理時(shí)K值非自適應(yīng)的缺點(diǎn)，提高了本文人行道檢測(cè)算法的有效性和可靠性。

圖11 MRF 算法優(yōu)化效果

本文將提出的算法與其他道路檢測(cè)方法的檢測(cè)效果進(jìn)行了對(duì)比，將利用OLDOM 完善的消失點(diǎn)法（OLDOM vanishing point, OVP）[5]和利用RANSAC 改善的U-V 視差圖法（RANSAC U-V disparity map, RUVDM）[7]在本文創(chuàng)建的人行道數(shù)據(jù)集上進(jìn)行測(cè)試，檢測(cè)結(jié)果如表5 所示。根據(jù)結(jié)果可知，本文提出的人行道檢測(cè)算法的有效性比OVP 提高了1.425%，比RUVDM 提高了0.585%。觀察圖12 的檢測(cè)效果，OVP 雖然有很高的檢出像素準(zhǔn)確度，但是兩側(cè)存在許多漏檢區(qū)域；RUVDM在檢測(cè)地平面時(shí)由于人行道和車道之間的深度差異小導(dǎo)致部分車道區(qū)域被誤檢，相比之下本文提出的算法具有一定的優(yōu)勢(shì)。

表5 3 種人行道檢測(cè)算法的結(jié)果比較%

圖12 3 種人行道檢測(cè)算法效果

3 結(jié)論

在盲人出行等問(wèn)題上，通常需要將人行道路面檢測(cè)作為起始步驟，以提供幾何約束方便后續(xù)處理。

1）在本文中，我們提出了一種改進(jìn)的多特征人行道檢測(cè)算法，在原有基礎(chǔ)特征上加入PCAII 特征和深度梯度特征來(lái)克服光照條件和背景非地平面干擾超像素塊的影響。

2）與此同時(shí)，使用一種基于8 個(gè)方向Gabor濾波器能量值關(guān)系的改進(jìn)算法對(duì)紋理提取進(jìn)行加速。實(shí)驗(yàn)在手工拍攝標(biāo)注的人行道數(shù)據(jù)集上進(jìn)行，證明了該算法能夠適用于大部分情況下的路面。

然而，本算法只是在小樣本的數(shù)據(jù)集上進(jìn)行測(cè)試，今后將逐步擴(kuò)大數(shù)據(jù)集的樣本數(shù)量和類型，以驗(yàn)證方法的有效性和普適性。