黄闽江，刘康，陈勇，徐则中
(常州工学院计算机信息工程学院，江苏 常州 213032)
道路检测是智能车自主导航的关键内容，特别是在非结构化道路场景，需要快速准确地检测出道路可行驶区域。研究复杂场景下的非结构化道路检测，对无人车导航系统具有重要意义。
现实中的道路一般分为结构化道路和非结构化道路。结构化道路具有清晰的道路边界和标志线，已有成熟的车道线检测技术。非结构化道路通常没有明显的道路边界和标志线，并且受到阴影、水迹等影响，导致路面检测更加困难。
目前关于非结构化道路检测的方法主要有三类：①基于道路特征的检测方法。该方法依靠路面本身的特征检测道路可行驶区域。先提取路面颜色[1]、灰度[2]、纹理[3]、熵[4]等特征，然后利用区域增长或聚类方法提取道路可行驶区域[5]。此方法不需要大量先验样本和道路模型假设，但容易受到阴影和水迹等的影响。②基于道路模型的检测方法。该方法先假设路面的形状，建立对应的道路模型，然后对道路模型进行拟合，得到道路边界线[6-7]。Moghadam等[8-9]为了有效地检测道路模型，提出了基于道路消失点的道路模型检测方法。此方法对路面光照、阴影、水迹具有很好的鲁棒性，但是很难对复杂多变的路面形状进行准确建模。③基于神经网络的检测方法。该方法运用大量的道路样本对神经网络模型进行训练，基于网络模型识别可行驶路面[10-11]，检测精度高，但需要大量训练样本，识别出道路像素后还需要进一步处理。
除了在图像空间进行处理外，还可以通过对道路图像进行逆透视变换，在物理空间进行非结构化道路检测[12-13]。道路边界在图像中是相交的，而在物理空间中，道路边界呈现为近似平行的直线或曲线。通过逆透视变换，把道路特征从图像空间变换到物理空间，从而利用道路边界的平行约束条件，进行非结构化道路检测。此方法需要消除透视成像对路面检测的影响[14]，以提高道路检测的准确率和鲁棒性。
本文针对非结构化道路存在着光照、阴影和水迹等各种干扰情况，将S分量图像进行逆透视变换，在物理空间上运用改进的Hough变换[15]，可直接精确检测路面可行驶区域。
1.1 空间变换
由于非结构化道路会受到光照、阴影和水迹等的影响，在道路图像中，路面的灰度特征并不明显，因此很难依据灰度特征来识别可行驶路面区域，如图1(a)所示。将图1(a)进行灰度变换后，得到的图像如图1(b)所示。
为了更好地检测路面可行驶区域，把采集的RGB图像转换成HSV图像，其中，H、S、V分别表示色调、饱和度、明度，并提取S分量，如图1(c)所示，用于后续的处理。
(a)原始图像
1.2 逆透视变换
从图1(c)的S分量图像可以看出，路面的整体亮度比较低，可以综合运用阈值分割和区域增长技术，分割道路可行驶区域。由于路面边界并不清晰，路面区域也包含一些白色的干扰像素，因此直接在S分量图像上检测路面可行驶区域，比较困难。
为此，将S分量图像进行逆透视变换，从图像空间变换到物理空间，从图像坐标系变换到世界坐标系，如图2所示。
图2 世界坐标系下的道路图像
道路图像经过逆透视变换后，消除了路面的透视成像影响。道路边界线近似平行，路面可行驶区域呈现为一个近似线性区域。
标准的Hough变换广泛用于检测直线或曲线，但是必须事先进行边缘检测，只有提取道路边缘点后，才能运用Hough变换检测道路边界线。通过对Hough 变换进行改进，无需进行边缘检测，直接运用黑点进行Hough投票。通过分析投票的统计均值和统计方差，运用函数拟合技术，计算线性区域的中心、方向、长度和宽度，进而得到整个线性区域的矩形表示。具体步骤如下：
步骤1：所有黑点向一个2D数组进行Hough投票；
步骤2：搜索最大投票值，也称作峰值，在峰值周围选择11列；
步骤3：计算11列的统计均值m(θ)、统计方差σ2(θ)；
步骤4：把统计方差拟合成一个二次函数，根据拟合的系数计算线性区域的方向、长度、宽度；
步骤5：把统计均值拟合成一个线性函数，根据拟合的系数计算线性区域的中心坐标；
步骤6：运用改进的Hough变换，得到路面区域的中心、方向、长度和宽度。然后计算4个顶点坐标，组成一个矩形框，表示路面可行驶区域，如图3所示。
图3 检测到的线性区域
尽管道路边界不是完全线性的，整个路面也不是一个完整的线性区块，但通过改进的Hough变换，可以检测到一个矩形框，用于表示路面可行驶区域。
选择不同的非结构化道路图像，运用本文提出的方法对道路图像进行处理，检测道路可行驶区域。原始道路图像和对应的处理结果如图4所示。
(a)原始图像1(b)原始图像1的检测结果(c)原始图像2(d)原始图像2的检测结果
在图4(a)中，道路的边界不明显，路面上存在水迹。无论是灰度图像，还是S分量图像，都很难分割出道路可行驶区域，因此通过变换到物理空间，运用改进的Hough变换直接检测路面可行驶区域，如图4(b)所示。在图4(c)中，路面上有杂草覆盖，边界也不清晰。运用本文提出的方法，检测出可行驶的路面区域，如图4(d)所示。
本文提出的道路检测方法的主要创新之处是经过逆透视变换后，选用改进的Hough变换区域算法检测道路可行驶的矩形区域。与同类检测方法进行对比，检测的结果如表1所示，改进的Hough变换区域算法检测出一个矩形，即图像中连通的黑色区域，常规Hough直线算法显示了4个最高投票值对应的直线。
在表1中分别显示了3个非结构化道路图像及检测结果，其中第1列分别是杂草道路、阴影道路和水迹泥泞道路，第2列是文中提出的基于改进的Hough变换区域算法的道路检测结果，第3列是基于常规Hough变换直线算法的道路检测结果。
在表1第1行，原始图像显示路面中间被杂草覆盖。基于区域像素的改进Hough区域算法检测出一个表示路面可行驶区域的矩形。基于边缘点的常规Hough直线算法受到杂草干扰，检测出4条直线，错误地把杂草边缘也检测为路面边界。
在表1第2行，原始图像显示路面上有阴影。改进的Hough区域算法检测出一个矩形来表示路面可行驶区域。常规Hough直线算法受到阴影干扰，除了检测出道路边界，还错误地检测出2条额外的直线。
表1 非结构化道路检测结果对比
在表1第3行，原始图像显示一条泥泞的道路，路面有水迹。改进的Hough区域算法检测出一个矩形，近似路面可行驶区域。常规Hough直线算法受到水迹干扰，检测出4条直线，错误地把水迹边缘也检测为路面边界。
改进的Hough变换算法，直接运用图像中连通的黑色像素进行投票，通过二次函数和线性函数拟合，得到一个矩形，即图像中连通的黑色区域。该算法不需要进行边缘检测，与图像中的边缘点无关，具有更好的鲁棒性。
为了提高非结构化道路检测的鲁棒性，考虑到路面的阴影、水迹等影响，利用HSV图像的S分量，可以更好地区分道路的可行驶区域；
把S分量图像进行逆透视变换，路面呈现为一个近似的线性区域；
运用改进的Hough变换，忽略边缘检测，通过函数拟合得到路面可行驶区域。
