侯陽(yáng)陽(yáng) 王 歡

（南京理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院 南京 210094）

1 引言

無(wú)人飛行器（Unmanned Aerial Vehicle）在軍事偵察、搶險(xiǎn)救災(zāi)、地質(zhì)勘探、交通運(yùn)輸、輸油管線(xiàn)檢測(cè)等方面具有重要的實(shí)際應(yīng)用價(jià)值。這些應(yīng)用中，視覺(jué)傳感器由于具有重量輕、功耗低、隱蔽性好、信息豐富等優(yōu)點(diǎn)，已被各種UAV普遍使用。當(dāng)前UAV的一個(gè)主要研究方向是利用視覺(jué)傳感器提升其自主導(dǎo)航和場(chǎng)景理解能力，其中，道路檢測(cè)是視覺(jué)導(dǎo)航和場(chǎng)景理解的重要基礎(chǔ)，例如，固定翼無(wú)人飛行器著陸時(shí)需要準(zhǔn)確檢測(cè)出跑道位置；利用UAV實(shí)現(xiàn)目標(biāo)偵察時(shí)，道路信息可以為目標(biāo)檢測(cè)與跟蹤提供重要信息［1～2］。

道路檢測(cè)的研究大多集中于地面車(chē)載以及遙感衛(wèi)星拍攝的圖像。前者傳感器離地面一般2m～3m，拍攝正前方道路場(chǎng)景，后者距地面數(shù)十公里，而無(wú)人飛行器一般飛行高度在100m～300m，前下方或正下方俯視拍攝，高度和視角的差別導(dǎo)致所拍攝的道路大小和形狀與前兩者有明顯區(qū)別，針對(duì)前兩者設(shè)計(jì)的道路檢測(cè)算法并不適用于無(wú)人飛行器道路圖像。

近年來(lái)，學(xué)者們提出了一些專(zhuān)門(mén)針對(duì)無(wú)人飛行器的道路檢測(cè)方法［3～9］。如Zhou H和Kong H在文獻(xiàn)［10］中利用圖像分割獲得候選區(qū)域，并使用霍夫變換檢測(cè)直線(xiàn)段，再利用直線(xiàn)段與區(qū)域的關(guān)系篩選道路區(qū)域?qū)崿F(xiàn)道路檢測(cè)。Hosang J和Benenson R通過(guò)學(xué)習(xí)道路結(jié)構(gòu)模式，使用匹配的方法搜索相同模式的區(qū)域作為道路區(qū)域［11］。文獻(xiàn)［12］提出了一個(gè)綜合道路檢測(cè)跟蹤系統(tǒng)，使用離線(xiàn)道路像素建立初始道路顏色模型，采用圖割方法實(shí)現(xiàn)道路的分割，并在序列圖像上利用特征點(diǎn)匹配實(shí)現(xiàn)道路的跟蹤。檢測(cè)和跟蹤協(xié)同工作，跟蹤出現(xiàn)漂移時(shí)重新啟動(dòng)檢測(cè)模塊，正確跟蹤時(shí)在線(xiàn)更新道路顏色模型。

然而這幾種方法應(yīng)用范圍較為受限，文獻(xiàn)［10］中的方法針對(duì)沙漠圖像處理效果較好，因?yàn)樗玫降闹狈綀D分割和樸素貝葉斯方法在復(fù)雜環(huán)境下分割效果不佳；文獻(xiàn)［11］中的方法需要初始給出一幀道路圖像進(jìn)行模式提取，并獲得校正透視投影效應(yīng)的相關(guān)參數(shù)。文獻(xiàn)［12］中的方法需要手工獲得道路的顏色樣本構(gòu)建初始顏色模型，而學(xué)習(xí)一個(gè)能針對(duì)各種道路的通用顏色模型幾乎是不可能的。

為此，本文提出一種基于筆畫(huà)寬度變換的無(wú)人機(jī)視覺(jué)道路檢測(cè)方法。該方法首先利用了筆畫(huà)寬度變換來(lái)得到道路寬度，并對(duì)其進(jìn)行改進(jìn)使得道路寬度圖像更加準(zhǔn)確；然后通過(guò)道路特有的形狀特征和顏色特征自動(dòng)找出道路區(qū)域；最后去除道路區(qū)域類(lèi)別中的干擾和毛刺，實(shí)現(xiàn)道路的準(zhǔn)確檢測(cè)。在典型公開(kāi)數(shù)據(jù)集上的實(shí)驗(yàn)證明本文方法適于檢測(cè)多種道路，準(zhǔn)確性上優(yōu)于傳統(tǒng)的方法。

2 改進(jìn)的筆畫(huà)寬度變換

2.1 傳統(tǒng)SWT

筆畫(huà)寬度變換最初是針對(duì)自然場(chǎng)景的文本檢測(cè)所提出的［13］，由于文本字符具有相對(duì)穩(wěn)定的筆畫(huà)寬度，而非文本字符的筆畫(huà)寬度往往變化很大，因此在文本字符和非文本字符之間具有很高的區(qū)分度。考慮到航拍圖像的道路區(qū)域也具有較強(qiáng)的寬度一致性，因此，我們可以利用SWT來(lái)進(jìn)行航拍圖像的道路檢測(cè)。

筆畫(huà)寬度變換是一種局部的圖像操作，利用每個(gè)像素的顏色信息得到每個(gè)像素最有可能的筆畫(huà)寬度值，其核心問(wèn)題就是計(jì)算圖像中每一個(gè)像素最有可能的筆畫(huà)寬度值［14］。它的基本流程是：

1）建立一幅與原圖像一樣大小的圖像，稱(chēng)為寬度圖像，初始化寬度圖像中的每個(gè)像素值為無(wú)窮大；

2）對(duì)原圖像提取邊緣點(diǎn)，從任一邊緣點(diǎn)出發(fā)，沿該點(diǎn)的梯度方向搜索其他邊緣點(diǎn)，如果找到一個(gè)其它邊緣點(diǎn)，且其梯度方向正好與搜索方向一致（dθ＜T=π/6），則將出發(fā)點(diǎn)與該點(diǎn)的空間位置距離賦予寬度圖像中連接這兩點(diǎn)的線(xiàn)段上所有像素點(diǎn)的值；

3）由于寬度圖像的每個(gè)點(diǎn)可能在上述過(guò)程中被不止一次的賦值，故每次賦值總是與原有值進(jìn)行比較。如果比原有值小，則進(jìn)行賦值，即每個(gè)像素總是記錄所屬于的最細(xì)筆畫(huà)的寬度。

圖1給出了SWT的示意圖。其中點(diǎn) p是考察的邊緣點(diǎn)，點(diǎn)q是在 p點(diǎn)梯度方向上尋找到的滿(mǎn)足方向一致條件的另一個(gè)邊緣點(diǎn)，滿(mǎn)足條件如式（1）所示。寬度圖上線(xiàn)段pq上的所有像素點(diǎn)的值被賦予為像素點(diǎn)p和像素點(diǎn)q的歐氏距離||p-q||。

圖1 SWT算法示意圖

2.2 SWT的改進(jìn)

傳統(tǒng)的SWT方法需要在輸入圖像的灰度圖上使用Canny邊緣檢測(cè)算子，進(jìn)一步得到筆畫(huà)寬度圖像。但是實(shí)驗(yàn)發(fā)現(xiàn)，直接對(duì)航拍圖像使用SWT會(huì)存在一些缺點(diǎn)：對(duì)于高紋理區(qū)域（比如樹(shù)木植被），存在很多背景雜亂邊緣點(diǎn)，這會(huì)降低效率并產(chǎn)生干擾。為此，本文考慮使用基于分區(qū)域的Canny邊緣檢測(cè)得到更為準(zhǔn)確的邊緣圖像［15］，以此來(lái)改進(jìn)筆畫(huà)寬度變換，具體步驟為

1）按照一定準(zhǔn)則對(duì)圖像進(jìn)行分區(qū)。分區(qū)時(shí)需要保證各分區(qū)的邊緣有一些重疊，以使輪廓連續(xù)；

2）對(duì)每個(gè)分區(qū)分別進(jìn)行自適應(yīng)的邊緣檢測(cè)，得出相應(yīng)的分區(qū)輪廓；

3）最后按照一定準(zhǔn)則來(lái)連接各個(gè)分區(qū)，還原出最終的邊緣圖。

這個(gè)方法相當(dāng)于把對(duì)一幅完整圖像的Canny邊緣檢測(cè)過(guò)程分成了各個(gè)子圖像的邊緣檢測(cè)過(guò)程。使用分區(qū)域的Canny邊緣檢測(cè)得到準(zhǔn)確的邊緣圖像，再按照算法流程獲得筆畫(huà)寬度圖像，最終的結(jié)果一定程度上可以解決上述問(wèn)題。圖2給出了改進(jìn)SWT前后的筆畫(huà)寬度圖像對(duì)比。

圖2 改進(jìn)前后的筆畫(huà)寬度圖像對(duì)比

3 道路區(qū)域的提取

從上一步我們可以得到筆畫(huà)寬度圖像，這時(shí)也還是一個(gè)個(gè)具有寬度信息的像素，所以我們要根據(jù)一些規(guī)則把特征相似的像素合并成區(qū)域（即自底向上的一個(gè)過(guò)程），以最終實(shí)現(xiàn)道路檢測(cè)。

鑒于道路區(qū)域的寬度和顏色具有較高的一致性，并且道路在空間上具有連續(xù)性，我們可以使用K均值聚類(lèi)算法。K均值算法的基本思路是：先選K個(gè)初始類(lèi)均值，然后將每個(gè)像素歸入均值離它最近的類(lèi)別并計(jì)算出新的類(lèi)均值；迭代執(zhí)行前面的步驟直到新舊類(lèi)均值的差小于某一閾值。

通過(guò)筆畫(huà)寬度變換，每個(gè)像素獲得了道路寬度。利用寬度特征，再結(jié)合RGB顏色值，共獲得了4維特征向量，如式（2）所示，其中V/maxV表示像素寬度的歸一化。

本文使用這個(gè)4維特征向量進(jìn)行聚類(lèi)。實(shí)驗(yàn)證明，將具有寬度的像素聚成3個(gè)類(lèi)可以取得較好結(jié)果。

接下來(lái)我們需要從這3個(gè)類(lèi)中選出屬于道路區(qū)域的類(lèi)別，這里使用了變異系數(shù)Var這個(gè)特征，對(duì)每個(gè)分類(lèi)圖像求筆畫(huà)寬度的平均值，然后根據(jù)變異系數(shù)Var來(lái)度量筆畫(huà)寬度變化的大小。

其中，mean是指筆畫(huà)寬度的平均值，N是指區(qū)域內(nèi)的像素個(gè)數(shù)，xi是指區(qū)域內(nèi)某一點(diǎn)像素的筆畫(huà)寬度。由于一個(gè)連通區(qū)域內(nèi)文本的筆畫(huà)寬度一般都會(huì)保持穩(wěn)定，Var值越大就代表筆畫(huà)寬度的變化越大，此類(lèi)別是道路區(qū)域的概率就越低。我們?nèi)ar值最小的類(lèi)別為含有道路區(qū)域的類(lèi)別。具體結(jié)果如圖3所示。

圖3 利用K均值聚類(lèi)得到道路區(qū)域

4 道路區(qū)域的驗(yàn)證

從上一步處理我們得到了包含道路區(qū)域的類(lèi)別，但這并不是我們最終的檢測(cè)結(jié)果。從圖3可以看出，得到的道路區(qū)域并不十分準(zhǔn)確，圖片中除了道路區(qū)域還包含許多干擾區(qū)域和毛刺，因此需要進(jìn)一步處理來(lái)得到更好的檢測(cè)結(jié)果。這里，我們利用霍夫變換找出直線(xiàn)然后選取區(qū)域［16］。具體步驟如下：

1）對(duì)于原圖像4（a），使用筆畫(huà)寬度變換得到道路寬度特征，然后結(jié)合道路的顏色特征，通過(guò)聚類(lèi)的方法獲得含有道路區(qū)域的類(lèi)別，如圖4（b）所示；

2）對(duì)上一步得到的道路區(qū)域類(lèi)別圖像進(jìn)行霍夫變換，得到所有可能的直線(xiàn)，如圖4（c）所示，同時(shí)我們需要求得直線(xiàn)上每個(gè)點(diǎn)的位置信息；

3）接下來(lái)，對(duì)第一步得到的二值圖像4（b）進(jìn)行輪廓提取，可以獲得圖像的所有連通區(qū)域。再利用第二步得到的直線(xiàn)點(diǎn)的位置信息，可以做一個(gè)判定：對(duì)于一個(gè)連通區(qū)域，如果存在一條直線(xiàn)，確切的講應(yīng)該是線(xiàn)段，線(xiàn)段上的大部分點(diǎn)（這里取80%）都落在此連通區(qū)域內(nèi)，則保留這個(gè)連通區(qū)域；如果不滿(mǎn)足這個(gè)條件，則將這個(gè)連通區(qū)域去除，如式（4）所示即可得到篩選后的連通區(qū)域圖像：

4）再經(jīng)過(guò)一些簡(jiǎn)單的后處理，即可得到最終的檢測(cè)結(jié)果，如圖4（d）所示。

圖4 去除道路區(qū)域中的干擾

5 實(shí)驗(yàn)結(jié)果與分析

5.1 實(shí)驗(yàn)設(shè)置

本文算法在一臺(tái)i5CPU（2.6G Hz）和4G內(nèi)存的64位PC機(jī)上使用Matlab2013a實(shí)現(xiàn)。實(shí)驗(yàn)所用到的數(shù)據(jù)集有兩個(gè)，其一是文獻(xiàn)［4］提供的的lin數(shù)據(jù)集，包含沙漠場(chǎng)景的多幅圖片，全部被用于性能測(cè)試；其二，我們通過(guò)Google圖像搜索自建了一個(gè)包含20幅圖像的數(shù)據(jù)集，包含多種復(fù)雜的場(chǎng)景。

5.2 性能分析

基于本文方法的道路檢測(cè)過(guò)程如圖5所示。

圖5 算法檢測(cè)過(guò)程

1）定量分析

本文引入文獻(xiàn)中［17］的評(píng)價(jià)方法，定量地描述本文算法的性能。在該方法中，檢測(cè)結(jié)果包含4個(gè)類(lèi)別，如表1所示。

表1 定量評(píng)估方法定義

其中，TN表示groundtruth和檢測(cè)結(jié)果都為非路區(qū)域的像素點(diǎn)個(gè)數(shù)；FN表示groundtruth為道路區(qū)域，檢測(cè)結(jié)果為非路區(qū)域的像素點(diǎn)個(gè)數(shù)；FP表示groundtruth為非路區(qū)域，檢測(cè)結(jié)果為道路區(qū)域的像素點(diǎn)個(gè)數(shù)；TP表示groundtruth和檢測(cè)結(jié)果都為道路區(qū)域的像素點(diǎn)個(gè)數(shù)。本文使用錯(cuò)誤率ER來(lái)體現(xiàn)算法的檢測(cè)精度：

本文所提出方法與文獻(xiàn)中提出的算法，在不同數(shù)據(jù)集中，各項(xiàng)性能指標(biāo)平均統(tǒng)計(jì)結(jié)果對(duì)比如表2所示?？芍?，利用霍夫變換的算法耗時(shí)最少，但是錯(cuò)誤率最高，這是因?yàn)槠涮幚磉^(guò)程較為簡(jiǎn)單；基于圖割的算法準(zhǔn)確率有所提高但是耗時(shí)較高。與文獻(xiàn)中兩種算法相比，本文的算法錯(cuò)誤率最小，并且在耗時(shí)方面處于兩者之間，算法性能有所提升。

表2 各項(xiàng)性能指標(biāo)對(duì)比

2）定性分析

使用圖割模型實(shí)現(xiàn)道路區(qū)域的分割，初始需要訓(xùn)練圖像來(lái)建立道路區(qū)域和背景區(qū)域的顏色高斯混合模型，進(jìn)而作為數(shù)據(jù)項(xiàng)用于圖割模型，且跟蹤過(guò)程中，提供了種子區(qū)域需要盡可能充分。初始檢測(cè)訓(xùn)練樣本不充分時(shí)的檢測(cè)結(jié)果，以及在跟蹤過(guò)程中不夠充分的檢測(cè)結(jié)果。前者由于構(gòu)建GMM模型中，一些具有特殊顏色的道路，以及道路上的陰影，由于沒(méi)有充分的樣本，在構(gòu)建的GMM模型中不占主要成分，而導(dǎo)致圖割模型檢測(cè)結(jié)果不理想，后者，由于跟蹤誤差的累積導(dǎo)致，導(dǎo)致道路和非路區(qū)域樣本發(fā)生的錯(cuò)誤，導(dǎo)致分割結(jié)果的錯(cuò)誤。

利用概率霍夫變換來(lái)提取道路的方法，需要用到全局分割。同時(shí)實(shí)驗(yàn)發(fā)現(xiàn)，該方法依賴(lài)道路和背景顏色存在較大差異，對(duì)道路分割和邊緣提取均構(gòu)成較大影響，對(duì)彎曲道路檢測(cè)準(zhǔn)確性較低。

相比而言，本文方法使用筆畫(huà)寬度變換，更能反映道路的寬度特征。錯(cuò)誤率較低，且對(duì)于彎曲的道路檢測(cè)效果很好。三種方法的檢測(cè)結(jié)果對(duì)比如圖6所示。

6 結(jié)語(yǔ)

利用視覺(jué)傳感器自動(dòng)實(shí)現(xiàn)道路檢測(cè)是無(wú)人飛行器環(huán)境感知與視覺(jué)導(dǎo)航重要的研究?jī)?nèi)容。本文首先利用了自然場(chǎng)景文字檢測(cè)中的筆畫(huà)寬度變換算法來(lái)得到道路寬度，并對(duì)其進(jìn)行改進(jìn)使得道路寬度圖像更加準(zhǔn)確；然后使用道路特有的形狀特征和顏色特征，通過(guò)聚類(lèi)的方法自動(dòng)找出含有道路區(qū)域的類(lèi)別；最后去除道路區(qū)域類(lèi)別中的干擾和毛刺，實(shí)現(xiàn)道路的準(zhǔn)確檢測(cè)。通過(guò)定量實(shí)驗(yàn)證明，本文算法與現(xiàn)有算法相比提高了檢測(cè)精度，并且由于對(duì)道路的寬度信息比顏色等信息普適性更高，拓展了本文算法的適用范圍。此外，算法兼顧了處理效率。

圖6 算法檢測(cè)結(jié)果對(duì)比