《车载智能技术》

无人驾驶汽车环境感知-非结构化道路检测主讲人：黄侃江西交通职业技术学院

非结构化道路检测针对非结构化道路边界检测效率与鲁棒性之间难以平衡的问题，在HSI色彩空间中采用K-means聚类方法对非结构化道路图像饱和度分量进行分割以获得道路区域和非道路区域;利用基于置信概率的分块方法对道路图像进行分块，并提取道路边界特征点;构建二次曲线模型，运用改进的最小二乘法拟合道路边界。

非结构化道路检测非结构化道路相较于结构化道路没有明显的道路标志和清晰的道路边界，且易受光照变化、阴影和水迹等因素的影响，使得道路区域和非道路区域难以区分。在这种复杂的场景下，传统的道路图像分割方法容易造成道路区域误分割，不利于后续道路模型参数求解。通过分析发现，对于非结构化道路图像，其道路区域与非道路区域在颜色、纹理等特征上差别较大，因此，这里从彩色图像出发，进行非结构化道路图像分割。

一、基于HSI色彩空间饱和度分量的道路图像分割将非结构化道路图像从RGB色彩空间转换到HSI色彩空间，并将H、S、I分量分别提取出来，如图4-7所示。

一、基于HSI色彩空间饱和度分量的道路图像分割由图4-7可以看出，对于色度分量来说，道路区域和非道路区域有一定的差别，但很容易受到阴影、水渍等外界因素的干扰;对于亮度分量来说，道路区域和非道路区域界限不明显;对于饱和度分量来说，道路区域和非道路区域差别较大，且对外界干扰因素不敏感。因此，采用K-means聚类算法对HSI色彩空间中的饱和度分量进行非结构化道路图像分割。结合非结构化道路图像的实际情况，初始聚类中心由饱和度分量直方图的极值点确定。为了防止陷入局部最优，限定两极值点的像素值之差大于一定阈值，与极值点像素值相同的像素点应超过一定的数量。

一、基于HSI色彩空间饱和度分量的道路图像分割为了说明上述方法的有效性，采用二维最大熵法和本文方法分别对非结构化道路图像进行图像分割，对比结果如图4-8所示。可以看出，本文方法相较于二维最大熵法对阴影的抗干扰能力更强。

二、道路边界特征点提取实际情况中，非结构化道路的道路区域和非道路区域的像素一般是连续且相似的。基于此特性，一种仅对含有道路边界的块进行分析的分块分类方法被提出，其实时性较高。但该方法仅仅利用四个顶点的像素属性对分块的类别进行判断，因此很容易受噪声的干扰造成误分类。针对该问题，对上述方法进行改进，将顶点扩展成顶点区域，并引入置信概率对分块类别进行判断。具体方法为:1根据顶点区域内像素点的属性判断其所属类别。2根据分块中四顶点区域的类别及置信概率对分块进行分类。3对分类结果进行修正。

二、道路边界特征点提取对所有分块进行初始分类后，因受噪声及其他干扰因素的影响，部分分块的类别可能会出现误判。设定混合区域分块只出现在道路区域与非道路区域之间。对道路图像所有分块按行遍历，测试所有混合块的左右分块属性类别，若属性不同，则不做修正;若属性相同，则测试该混合块的置信概率。通过基于置信概率的修正方法可以将大部分误判断分块进行修正，但也可能仍存在部分分块未得到修正。对于这部分，交由后续道路边界特征点及曲线拟合阶段进行处理。经过上述方法得到包含道路边界的混合区域后，以每个混合分块的左右边框中点连线作为待处理线段，并以其纵坐标所在水平线作为扫描线对道路边界点进行提取。具体步骤为:

二、道路边界特征点提取(1)对所有混合分块待处理线段上的像素点进行属性判别。(2)从图像底端开始扫描，获得候选道路子线段，即扫描线上连续的道路像素点集合;扫描结束后，得该扫描线上候选道路子线段集合。选取最长的候选道路子线段，然后归并与该子线段端点距离较近的候选道路子线段。以此类推，得最终道路线段。(3)将扫描线向上移动，重复步骤(2)，直到所有扫描线均被处理完为止。(4)提取道路边界点。对于左边界，提取道路线段的左端点;对于右边界，提取道路线段的右端点，最终得到左右边界点的集合。

三、道路建模及拟合基于非结构化道路的实际情况并结合实时性的要求，这里选取二次曲线模型，并利用最小二乘法拟合道路边界。为了解决该拟合方法对异常值敏感度高的缺点，对其进行改进，以拟合左边界为例，具体方法为:(1)将提取的道路边界特征点按照纵坐标由小到大进行排列，并均等分成n份，从每份中随机选取1个点，共计n个边界特征点，然后从这n个边界特征点中随机选取3个点，直接求解二次曲线模型参数q=（a，b，c）T。(2)使用模型参数q对所有边界点进行划分，当误差满足式(4-2)时，则认为该点属于集合S。

×××三、道路建模及拟合式中，t1为给定阈值。(3)当集合S中边界点的个数m超过一定阈值，即mt2(t2指正确模型包含最少内点数量)时，运用最小二乘法对集合S进行拟合，得出新