非結構化道路識別研究綜述

王鵬 賀陽 賈秀娟 張璐

摘 要：道路按照是否有規則的道路邊界可以分為結構化道路和非結構化道路。結構化道路有明顯的道路特征，系統可以根據道路模型或者人為設定的特征準確識別。但是實際環境中，存在沒有明顯的道路邊界以及受到霧雪等天氣干擾的路段，稱為部分非結構化道路和完全非結構化道路。在非結構化道路識別上運用結構化道路的識別方法可能會導致錯誤的決策。因此，快速準確識別出非結構化環境中的道路對智能駕駛自主決策至關重要。該文基于近5年國內外相關研究，對目前非結構化道路的傳統識別方法、機器學習、深度學習與數據融合等方法進行了整理與分析。

關鍵詞：非結構化道路識別 機器學習 深度學習 多傳感器融合

中圖分類號：TP393 文獻標識碼：A 文章編號：1672-3791（2019）01（b）-0-02

隨著汽車行業不斷發展，汽車相關的安全問題變得日趨重要。近年來發展的無人駕駛技術旨在提高汽車安全性。因此，在道路結構不明顯的情況下有效識別出道路的可通行區域，增強在惡劣極端天氣下的道路識別能力，對車道偏離做出準確的預警，可以提高無人駕駛車輛的安全性和魯棒性。對無人駕駛的實際應用具有巨大的意義。

1 傳統非結構道路識別方法

1.1 道路模型法

道路識別常用的方法為道路模型法。部分非結構化道路依然具有一定程度的固定結構，通過合理構造相對規則的邊緣，近似得到特征明顯的道路模型。該種方法優勢在于對陰影等干擾不敏感，但只適用于部分非結構化道路，無法適用于邊緣不明顯的完全非結構化道路。對此，胡曉輝等人提出了一種基于3次樣條曲線模型和分塊子區生長模型（CSCM_BSG）相結合的完全非結構化道路檢測算法。該方法選取HSV模型，對色度（H）和飽和度（S）進行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、種類和紋理完成特征提取。這種算法只對子區進行一次掃描，避免了反復迭代，能有效屏蔽陰影、水跡等干擾，提升了道路匹配率和實時性。

1.2 光流法

圖像特征匹配時產生的對相對位移會形成光流，光流法通過對光流的計算實現道路的辨別。其難點在于圖像之間的特征匹配。對此，石朝俠等人提出了一種基于組合特征的光流檢測方法。這種方法結合了SIFT特征尺度和放射變換，具有良好的魯棒性，并且得到的Harri角點特征分布均勻。首先將非道路區域設置為感興趣區域（ROI），通過對ROI區域提取SIFT-Harri角點組合特征，判斷ROI區域是否靜止。該方法和LK光流法相比，能夠形成較清晰的光流，并能識別出可通行區域。

1.3 消失點檢測法

非結構化道路特征不明顯，從而不易被系統識別。因此，以容易識別的道路消失點作為道路約束條件的方法應運而生。通過消失點檢測和道路模型假設，從環境中分割出非結構化道路區域。目前，消失點檢測主要基于Gabor紋理的加權投票方法。例如，潘奎剛等人提出了一種基于主方向加權投票的非結構化道路消失點檢測方法。該方法采用一尺度四方向的Gabor濾波器，對原圖像的灰度圖進行濾波，得到4個方向上的實部和虛部矩陣。計算4個紋理響應的方向并排序，通過置信度來篩選投票候選點，確定主方向并進行校正。該方法受光照強度影響較小，在夜間有較好效果，但計算量過大，實時性差。

1.4 圖像分割法

圖像分割法根據人工設定的特征對圖像進行分割，并進行處理，從而實現道路識別的目標。胡旭等人提出了一種基于特征模型的非結構化道路識別跟蹤方法，該方法利用LBP紋理特征和顏色特征建立了H-S-LBP特征模型并進行反向投影，完成分割。同時利用卡爾曼濾波器對特征模型進行更新。交替執行反向投影和模型更新，從而完成對非結構化道路的跟蹤。實驗表明該方法魯棒性、實時性較好，精度較高。

2 機器學習

雖然非結構化道路特征不明顯，但周圍環境中植物特征相對明顯。根據非結構化道路的特點，周植宇等人提出了一種基于高斯核支持向量機的非結構化道路環境植被檢測方法。通過檢測植被，完成可通行區域和不可通行區域的甄別。考慮到植被幾何形狀、邊緣線等特征不明顯，該方法采用顏色特征，選擇圖像像素相關性較小的模型，采用SLIC超像素分割方法標記原始樣本，從而獲得樣本空間的稀疏表示T。運用支持向量機通過高斯核函數進行學習，使用學習得到的模型對圖像進行分類。最后，將分類結果中置信度高于設定值的柵格窗標記為植被區。實驗表明該方法準確率在94.9%左右。

3 深度學習

深度學習是含有多層隱藏層的人工神經網絡，深度學習在圖像識別方面的應用，相比較傳統方法的優點在于不需要人為設定特征。卷積神經網（ConvNet）能夠對圖像進行語義層面的分割，因此近年來在圖像識別方面展現出巨大的優勢。基于卷積神經網技術，Keiller等人提出了一種通過3種卷積網的分類結果進行投票分類的方法。該方法建立了3種卷積網：每一個像素分別作為核心的上下文窗口訓練出的標準卷積網；使用固定大小的塊（Patch）來訓練出的全卷積神經網和反卷積神經網。通過使用3種神經網對源圖像進行投票分類，根據不同閾值，對投票結果進行劃分，從而得到最終的圖像分割結果。由卷積神經網結合的分割結果和單一神經網分割結果比較可知，相比較單一的神經網，結合的神經網能夠發揮各個神經網各自的優點，彌補不足，具有較高的識別率。

4 基于雷達的道路識別方法

雷達傳感器因具有可以向系統反饋三維坐標、深度等信息的特點，被廣泛利用于識別領域。其中，李寧等人提出了一種基于多線激光雷達的非結構化道路感知方法，通過對柵格化后的點云數據完成距地高度、高度差、梯度差等特征數據的統計和聚類分析、跟蹤，實現了可通行區域、靜態障礙物的識別與車輛的跟蹤監測。具體流程見圖1。

5 數據融合

視覺傳感器能夠采集紋理信息，同時雷達傳感器能夠收集深度信息。基于上述特點，有學者通過結合兩種傳感器各自的特點提出了一種非結構化道路的實時語意分割地圖方法。該方法通過深度學習訓練圖片，用完成訓練的模型對圖片語意進行分割；同時，利用雷達獲取與圖片逐幀對應的點云數據，將點云數據和語意分割圖相匹配、融合，得到2.5D分割地圖。根據地圖計算不同候選路徑的損失，最終選擇損失最小的路徑作為當前路徑。實驗證明，該方法能綜合考慮圖像紋理和深度信息，時效性、魯棒性較好。

6 結語

非結構化道路識別的研究從利用單一傳感器發展到多傳感器融合，將圖像橫向紋理特征和雷達的縱向深度信息相結合，提高了魯棒性；由人為設定特征發展到利用機器學習的方法來訓練，獲得道路特征的抽象表示，提高了識別結果的準確性。非結構化道路識別的準確性和實時性的提升對無人駕駛車輛的普及具有重大意義。

參考文獻

[1] 胡曉輝，孫苗強，蘇曉許.偽彩色空間完全非結構化道路檢測方法[J].中國圖像圖形學報，2012，17（2）：203-208.

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

[3] 石朝俠.基于主方向加權投票的非結構化道路消失點檢測[J].計算機工程，2017，43（12）：237-241.