未知环境中机器人可行区域的认知研究*

陈 庚，李 擎，时佳斌，王超杰

(北京信息科技大学 高动态导航技术北京市重点实验室，北京100101)

0 引 言

基于机器视觉的无人车路径识别是指通过图像摄取装置将车前场景转换成图像信号，根据像素分布和亮度、颜色等信息将道路分割出来，进而实现路径识别。

图像分割技术是将图像分为若干个特定的、具有独特性质、互相不重叠的区域，一个区域内的像素都具有某一个相同的属性，它是由图像处理到图像分析的关键步骤。图像分割一直是图像处理中的难点。近年来，随着各学科许多新理论和新方法的提出，人们也提出了许多与一些特定理论、方法和工具相结合的分割技术。

现有的图像分割方法主要分为以下几类［1］:1)基于阈值的分割方法，常用的有直方图阈值法最大熵法等;2)基于区域的分割方法，如区域生长和区域分裂合并;3)基于边缘的分割方法，成熟的算子有Roberts 算子、Sobel 算子和Canny 算子等;4)基于聚类的分割方法，常用的聚类方法有K 均值聚类、模糊C 均值聚类和分层聚类。

由Vincent L 等人［2］提出的分水岭分割算法具有计算负担轻、分割精度高等优点，在图像分割领域引起了广泛的关注。Canny 边缘算子是基于最优化思想推导出来的，该算子采用高斯函数对图像作平滑处理，因此，具有较强的抑制噪声的能力。基于图论的方法已经应用到图像分割领域，将一幅采集到的图像建立一个带权的无向图，每一个像素代表图中的一个节点，像素之间的某种近似关系为边上的权值，然后应用聚类或者分组的方法对这些点进行划分，进而可以完成对图像的分割［3］。

本文将分水岭算法、中值滤波、边缘检测、图论、区域生长等方法结合起来进行图像分割:1)分水岭算法将图像划分为内部相似的小区域;2)提取图像边缘;3)根据边缘信息进行初合并;4)使用改进的区域生长算法将相似的区域进一步合并。

1 分水岭算法和Canny 算子

1)分水岭算法

分水岭算法是基于数学形态学的一种图像分割方法，该方法在满足图像的一致性和峰值信噪比的情况下具有较好的分割效果，不然将产生过分割现象［4，5］。近年来，基于形态学的分水岭分割算法因其计算速度快，能精确定位图像的边缘而受到极大关注。

分水岭算法基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。

分水岭变换有多种实现方法，本文采用Vincent L 等人给出的实现方法，此方法速度快、结果准确，具有实用价值。

2)Canny 算子

Canny 算子边缘检测的基本原理是［6］:采用二维高斯函数的任一方向上的一阶方向导数为噪声滤波器，通过与图像卷积进行滤波，然后对滤波后的图像寻找图像梯度的局部极大值，以确定图像边缘。Canny 边缘检测算子是一种最优边缘检测算子。

2 区域合并

2.1 基于边缘的初始合并

由于分水岭算法对噪声比较敏感，很容易出现过分割的问题，并不能将图像分割为预计的结果，所以，需要将过分割的区域合并。在使用Canny 算子提取图像边缘之前首先采用中值滤波方法平滑图像，中值滤波可以去除图像中的随机噪声，并且不会使边缘模糊。它的效果取决于两个要素:邻域的空间范围和中值计算中涉及的像素数。

使用分水岭算法分割图像，得到一个过分割的二值图像。原图中很多相对平滑的区域也存在着过分割的现象，这些区域是一个整体，并且基本没有边缘信息，可以将所有没有包含边缘信息的相邻区域合并。图1(a)中一共有14 个区域，有一条边缘，除了区域2，3，4 和8，将其余区域合并为一个大区域，如图1(b)所示，这样已经合并了大部分区域。

2.2 改进的区域生长算法

图1 基于边缘信息区域合并示意图Fig 1 Region merging diagram based on edge information

区域生长是指将成组的像素或区域发展成更大区域的过程［7］，具体是先对每个需要分割的区域找一个种子像素作为生长的起点［8］，然后将种子像素周围领域中与种子像素有相同或相似性质的像素合并到种子像素所在区域中［9］。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来。本文的图像分割算法应用于路径识别，为了节省运算时间，只需要把无人车可行区域分割出来。

2.2.1 HSI 颜色空间

HSI(hue－saturation－intensity)颜色模型用H，S，I 三参数描述颜色特性，其中，H 定义颜色的波长，称为色调;S 表示颜色的深浅程度，称为饱和度;I 表示强度或亮度。HSI 空间模型中的H 属性可以较准确地反映颜色种类，对外界光照变化的影响敏感度低，并且这3 个属性互不关联，与人眼感知的颜色特征一一对应，比较适合用来表达不同色彩间的差异。

2.2.2 区域邻接图

区域邻接图(region adjacency graph，RAG)是一种表示图像中各个区域关系的数据结构［10］。合并过程以图G 为基础，各条边代表权重，权重e(i，j)由方程(1)计算得出，第一项表示相邻区域间色调的差值，第二项表示相邻区域间灰度的差值

其中，ε1和ε2为系数，且

2.2.3 基于最小生成树的区域合并

1)基于最小生成树的合并顺序

本文的图像分割算法应用于路径识别，只需要把无人车可行区域分割出来。一般路面总会有些区域相对平整，这部分区域没有边缘信息，在基于边缘的初始合并后，分割结果中会有大面积的空白区域。合并顺序借鉴最小生成树的思想［11］，以空白区域为起始点。

2)停止条件

合并的顺序有了一套完整的方案，但是这个合并的过程需要有一个停止的条件。在合并过程中，通过相邻区域的亮度值(I)确定停止条件。)是Ri第m 次合并后I的平均值，I(x，y)是点(x，y)的I 值，令

第m 次合并后的变化定义为

其中，a 为常数。

3 路径识别实验

为了检验本文算法，采集了2 个实际路面图像作为输入图像，如图2(a)、图3(a)所示。其中图2(a)是教学楼的楼道，楼道中存在一个障碍物;图3(a)是实际道路图片。由于各个图像之间的差别，采用分水岭算法后将图片分别分为6 300 和3 070 个区域，如图2(b)、图3(b)所示。结合边缘信息得到图像的初始合并结果，如图2(c)、图3(c)所示，可以看出大部分过分割的区域已经合并在了一起，形成了比较大的空白区域。进一步区域合并，得到图2(d)、图3(d)，图中已经把道路和道路中的障碍物分割出来。从结果看，道路和道路中的障碍物边界清晰，虽然存在一些误差，但是不会影响无人车的行驶。边界以外的区域相对复杂，为了提高运算速度，不能合并至道路的边界区域不再进行处理，全部当作障碍物处理。对原图采用Mean Shift 分割算法与本文算法比较，如图2(e)、图3(e)所示，从图中可以看出:整体分割效果完好，但实际路面中有误分割的情况。

表1 为两种分割算法的运行时间。实验所用的计算机为主频2.5 GHz，内存大小4 GB。从表中可以看出本文算法在边界处虽然有误分割现象，但是不影响无人车的正常行驶;其优点为大大缩短了分割时间，基本可以满足无人车的应用。

表1 不同算法分割时间对比Tab 1 Comparison of segmentation time of different algorithms

4 结 论

图2 实验结果1Fig 2 Experimental results 1

图3 实验结果2Fig 3 Experimental results 2

本文设计的图像分割算法应用于无人车的路径导航，结合了分水岭算法、Canny 算子提取边缘、图论、区域合并等众多经典的算法，最终实现了道路和障碍物的分割，并且轮廓清晰，处理时间短，可以满足无人车对路径的识别。但是，本文还存在一些问题，如图3(d)中存在误分割的情况，行驶线被识别为障碍物;当无人车在特别复杂的环境中行驶时，最大空白区域不一定是实际路径。要解决上述问题并且增加无人车路径导航的可靠性，还需要红外、激光、声呐等传感器的辅助。

［1］ 林开颜，吴军辉，徐立鸿.彩色图像分割方法综述［J］.中国图象图形学报，2005，10(1):1－10.

［2］ Vincent L，Soille P.Watersheds in digital spaces:An efficient algorithm based on immersion simulations［J］.IEEE Trans，PAMI，1991，13(6):583－598.

［3］ 冯 林，孙 焘，吴振宇.基于分水岭变换和图论的图像分割方法［J］.仪器仪表学报，2008，29(3):649－653.

［4］ 王小鹏，党建武，王阳萍.一种参数化的形态学分水岭图像分割方法［J］.铁道学报，2013，35(1):66－70.

［5］ Noël Richard，Christine Fernandez－Maloigne，Cristian Bonanomi.Fuzzy color image segmentation using watershed transform［J］.Journal of Image and Graphics，2013，1(3):157－160.

［6］ 张德丰.Matlab 数字图像处理［M］.2 版.北京:机械工业出版社，2012:285－286.

［7］ Ning Jifeng，Zhang Lei.Interactive image segmentation by maximal similarity based region merging［J］.Pattern Recognition，2010(43):445－456.

［8］ 姜慧研，冯锐杰.基于改进的变分水平集和区域生长的图像分割方法的研究［J］.电子学报，2012，40(8):1659－1664.

［9］ Yu P，Qin A K，Clausi D A.Unsupervised polarimetric SAR image segmentation and classification using region growing with edge penalty［J］.IEEE Transactions on Geoscience and Remote Sensing，2012，50(4):1302－1317.

［10］李苏祺，张广军.基于邻接表的分水岭变换快速区域合并算法［J］.北京航空航天大学学报，2008，34(11):1327－1330.

［11］Navon E，Miller O，Averbuch A.Color image segmentation based on adaptive local thresholds［J］.Image and Vision Computing，2005(23):69－85.