智能车辆导航中障碍物检测方法研究

李 亮，李锋林

(西安艾索信息技术有限公司，陕西 西安 70065)

智能车辆导航中障碍物检测方法研究

李 亮，李锋林

(西安艾索信息技术有限公司，陕西 西安 70065)

随着智能车辆技术的发展，如何检测障碍物成为了智能车进行自主导航的关键。文中介绍了基于视觉和激光雷达检测障碍物的方法，从而解决了车辆的自主导航问题。讨论了视觉法和雷达法在各自领域中检测道路障碍物的方法，分析了各种研究方向的优缺点，并指出未来通过多传感器数据融合进行障碍物检测将是重点和难点。

障碍物检测；视觉；激光雷达

车辆行驶道路上的障碍物检测作为智能车辆周边环境感知技术研究领域中的重要组成部分，得到了广泛的研究。在移动机器人导航技术中，目前对障碍物的定义一般主要分两种情况：一种是在比较平坦的地面上的情况下，如室内地板或高速道路上，障碍物被定义为高出或低于地面的且大于一定尺寸的物体；另一种是在非结构化道路或越野等情况下，障碍物被定义为大于一个极限坡度，移动机器人无法逾越的区域。从理论上讲，障碍物是机器人在行进过程中随机出现的，形状不可预测的物体；从直觉上讲，任何在机器人行进方向上形成一定阻碍作用的物体都可以称为障碍物。本文将以车辆上装载的传感器的类别进行分类，来阐述智能车辆检测障碍物的方法。这些方法主要是基于视觉和激光雷达实现障碍物的检测。

1 基于视觉的障碍物检测

视觉作为人类重要的获取信息的渠道，也是智能车辆信息获取的主要途径。基于视觉的障碍物检测方法可分为采用单目视觉，双目立体视觉及三目立体视觉或多目视觉的障碍物检测方法。

1.1 基于单目视觉的障碍物检测

单目视觉实现障碍物检测实质是利用单目摄像机的运动信息从二维图像中恢复场景深度信息。基于特征的方法是单目视觉障碍物检测的一种主要方法，其中障碍物通常定义为与地面具有不同特征的物体。一般将图像像素点归类为前景(障碍)或背景(路面)，实质上将障碍物检测转换为分类和分割问题。Ulrich 等人使用颜色特征计算每一个像素点，将与地面颜色特征不同的像素点划分为障碍[1]。Bhoite 等人使用基于边缘的分割方法实现障碍物检测。首先应用Canny算子进行边缘提取，然后通过膨胀和腐蚀处理消除阴影等造成的虚假边缘，最后得到的封闭轮廓即对应障碍物[2]。Xia等人提出一种新的函数将图像二值化，随后通过跟踪外轮廓获取障碍物区域[3]。Jamal等人在提取出地平面以后，利用成像平面与地平面之间映射变换矩阵的单应性原则进行障碍物检测[4]。

1.2 基于立体视觉的障碍物检测

基于立体视觉的障碍物检测一般步骤：首先使用两个或多个摄像机从不同视角同时获取场景图像；然后通过图像匹配发现障碍物并得到图像间的视差；最后根据障碍物在图像中的位置、视差以及摄像机标定参数计算出障碍物的实际距离。该类方法中最复杂、最耗时的部分就是图像间的匹配。由于障碍物检测的实时性要求，经典的逐像素匹配算法很难胜任。大多数道路跟踪系统中采用了基于特征的图像匹配，其中常见的是利用图像中的垂直边界[5]进行匹配。另外，也有系统采用逐步求精的方法，先在各个图像中单独检测障碍物的大概位置，然后再对上一步中粗略确定的障碍物区域进行匹配和求精。这样，可以缩小待匹配区域，减少匹配时间[6]。匹配完成后，根据摄像机参数和视差方程计算出障碍物的实际距离。

匹配问题作为关键的技术突破口，前人做了大量的研究。Ruichek提出了利用Hopfield网络实时障碍物检测的立体匹配算法[7]。Dhond对大量立体匹配算法进行了总结，介绍了分级处理思想，并提出使用三目约束减少立体匹配的不确定性[8]。Faugeras对在非摄像机校正条件下立体视觉的研究进行了详细综述[9]。Kosehan对动态立体和主动立体、早期的遮挡和无纹理问题及实时立体视觉实现进行了总结与探讨[10]。Scharstein对由两帧图像产生稠密视差的立体匹配算法进行了详细分类和评价，提出现有立体匹配算法一般由4个相对独立的模块组成：匹配代价计算、代价/支持聚合、视差计算/最优化以及视差校正，认为当前各种匹配算法是模块相对变动的结果[11]。Brown从几何计算的角度概述了对应点匹配算法，重点分析了遮挡问题的匹配解决方法，并论述了典型应用中实时立体视觉的实际平台[12]。也有一类基于立体视觉的障碍物检测方法不直接进行左右图像的匹配，而是根据摄像机标定参数，将左右图像先投影到同一个坐标系下，利用投影后左右图像之间的差别来检测障碍物[13]。

采用立体视觉来进行环境的距离感知和障碍物检测是一种前途的方法，但目前还有许多问题需要解决，可以考虑多种匹配方法融合来解决单一匹配方法的局限性，通过优化算法降低计算复杂度，充分挖掘人工智能算法的发展空间，主要是研究视差像素点匹配的新方法，既要有较好的鲁棒性，又不能有过大的计算量，因此，采用立体视觉技术进行车辆周边的环境感知仍需要继续深入研究。

2 基于激光雷达的障碍物检测

根据扫描机构的不同，激光雷达有二维扫描和三维扫描两种。它们大部分都是靠一个旋转的反射镜将激光发射出去。并通过测量发射光和物体表面的反射光之间的时间差来测距。激光雷达具有波束窄、波长短、分辨力高等独特优点，可以获取目标的多种信息，如反射特性、距离信息、速度信息等，此外还能适应恶劣天气条件。因此，激光雷达被广泛应用于移动机器人、智能车辆自主导航、自动化生产等研究领域[14]。利用激光雷达检测障碍物的方法主要分为两种：基于特征的和基于网格。基于特征的方法用预定义的几何特征表示原始数据，而基于网格的方法用网格分布图像表示障碍物，而足够高分辨率的网格图像可以表示复杂的障碍物，但分辨率越高计算复杂度越高也需要更多的内存[15]。

2.1 基于二维激光雷达的障碍物检测

同三维激光测距雷达相比，二维激光测距雷达只在一个平面上扫描，结构简单，测距速度快、系统稳定可靠。目前二维激光测距雷达主要应用在室内的结构化环境下，如环境地图生成，机器人自定位，障碍物检测等等，吉林大学的李斌博士曾成功的应用二维激光测距雷达进行高速公路上的前方车辆目标检测[16]，他还将激光雷达与视觉CCD两种传感器进行信息融合，有效克服了单一传感器数据可信度较低的缺点，显著提高了前方车辆目标检测的可靠性。

然而，若将二维激光测距雷达应用于野外环境下自主车的障碍检测，因为越野地形复杂。高低不平，由此引起车体行驶时的剧烈颠簸，且二维激光测距雷达只能是单线扫描，会出现比较严重的障碍物漏检和虚报现象。针对该种情况，浙江大学项志宇博士设计了两个二维激光雷达的障碍检测系统，并提出了基于多传感器数据融合的障碍检测方法[17]。周波等采用基于2-D扫描激光测距仪的移动机器人，实现了非结构环境下的移动机器人感知，该系统可对地形平坦性进行分析和判断移动机器人的可行区域与障碍区域[18]。蔡自兴等人提出了一种基于2D激光雷达的移动机器人在未知环境下实时检测动态障碍物的方法[19]。

2.2 基于三维激光雷达的障碍物检测

在室外移动机器人导航中三维激光应用较多，主要用于障碍物检测、路标检测及地图匹配和越野行驶时建立地形图。在障碍物检测应用中，一般的处理方法是根据已知传感器的位置转化成高度图，然后根据高度的突变就可以检测出障碍物。很多三维激光雷达除了提供距离信息外，还提供激光的反射强度信息，因此也有用强度图进行障碍物检测的例子[20]。也有不少学者选用其他算法识别障碍物，Felipe 等人提供了一种快速的三维激光障碍物识别算法：依据障碍物的定义将三维点云分为两类，第一类点垂直成一条线，可以从不同视角正确匹配且容易被提取出来，如树干、墙、坑以及一些人造路标等；第二类点与地面无直接关联，如树枝、屋顶等等将两类点用不同颜色加以标识即可识别相应障碍物[21]。

3 障碍物检测

在机器人的研究领域中，摄像机与激光雷达是机器人上主要的传感器。摄像机提供的色彩信息与激光雷达提供的距离信息具有很强的互补性，因此融合两者的信息成为当今的研究热点。如何协调不同传感器之间的工作。在不同层次上对多传感器数据进行融合，是确保户外移动机器人高效稳定工作的关键。立体视觉系统可以获取高分辨率彩色图像，但是需要通过算法获得距离信息才能产生三维点云。增加了计算负荷，限制了距离估计的准确度，且系统严重依赖合适的输入数据，在一些对比度低、缺少纹理特征的图像中，立体匹配可能失败。雷达、激光测距仪等距离传感器可以快速获得准确的三维点云，可以考虑综合使用这些距离传感器和视觉传感器。通过信息融合进行可通行区域识别。此外，利用混合视觉系统进行可通行区域识别也是一个好的思路。可以基于全向视觉进行远距离大范围可通行区域识别，利用双目立体视觉检验上述分类结果是否正确；或者用双目立体视觉的识别结果指导基于单目视觉或者全向视觉的可通行区域分类，实现一种由近及远的机器人自监督学习技术[22]。

4 结束语

基于任何一种测距技术的障碍物检测方法都有其优点和缺点，自主车的障碍物检测目前还没有一种令大家都感到满意的解决方案。体视测障是目前的研究热点之一，但它的匹配问题始终未能得到满意的解决。结构光方法在室内三维目标重建中已经有很多应用，但在野外环境感知方面介入仍较少。虽然三维激光雷达体积笨重，价格昂贵，但相对廉价的二维激光测距雷达的存在叉为机器人的距离感知和障碍物检测多了一种良好的选择。颜色信息虽然很少被引用到自主导航领域里来，但也为障碍物的检测提供了一种有效的方法，拓宽了机器视觉在模式识别领域的应用。综上所述，任何一种有效的障碍物检测系统不能只依靠单一传感器进行环境感知，正如司机驾驶车辆时只使用眼睛或耳朵一样，都不可能正确深入的获得车辆周围环境信息。因此，利用多种传感器信息融合技术检测智能车辆前方障碍物正获得广泛的应用。多传感器信息融合技术具有获得信息量丰富、检测鲁棒性及正确率高、应用范围广等诸多优点，也是将来环境感知技术研究重点与难点之一。

障碍物检测是智能车辆研究领域中的研究热点，是环境感知研究中的重要内容。任何一种智能移动平台，要实现其在未知环境下的自主导航，都必须以有效而可靠的环境感知为基础。

[1] Ulrich I, Nourbakhsh I. Appearance-based obstacle detection with monocular color vision[C].Grace:AAAI/IAAI,2000.

[2] Bhoite A,Beke N,Nanduri S,et al.Advanced situational awareness and obstacle detection using a monocular camera[C].New York:Image Processing Workshop (WNYIPW),2010.

[3] Xia Y,Huang M,Guo L,et al.Obstacle segmentation approach in ALV navigation[J].Computer Engineering and Design,2009(7):75-92.

[4] Jamal A,Mishra P,Rakshit S,et al.Real-time ground plane segmentation and obstacle detection for mobile robot navigation[C].London:International Conference on Emerging Trends in Robotics and Communication Technologies (INTERACT),IEEE,2010.

[5] Kastrinaki V,Zervakis M,Kalaitzakis K.A survey of video processing techniques for traffic applications[J].Image and Vision Computing,2003,21(4):359-381.

[6] Xie Ming.Matching free stereovision for detecting obstacles on a ground plane[J].Machine Visiol Application,1996(9):58-65.

[7] Ruichek Y,Issa H,Postaire J G,et al.Towards real-time obstacle detection using a hierarchical decomposition methodology for stereo matching with a genetic algorithm[C].Istanbul:16th IEEE International Conference on Tools with Artificial Intelligence (ICTAI 2004),2004.

[8] Dhond U R,Aggarwal J K.Structure from stereo-a review[J].IEEE Transactions on Systems, Man and Cybernetics,1989,19(6):1489-1510.

[9] Faugeras O D.What can be seen in three dimensions with an uncalibrated stereo rig[C].Berlin Heidelberg:Computer Vision—ECCV'92,Springer,1992.

[10] Koschan A.What is new in computational stereo since 1989: a survey on current stereo papers[M].Fachbereich,Informatik:Technische University Berlin,1993.

[11] Scharstein D,Szeliski R.A taxonomy and evaluation of dense two-frame stereo correspondence algorithms[J].International Journal of Computer Vision,2002,47(1-3):7-42.

[12] Brown M Z, Burschka D, Hager G D.Advances in computational stereo[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2003,25(8):993-1008.

[13] 孙振平,安向京,贺汉根,等.CITAVT-IV—视觉导航的自主车[J].机器人,2002,24(2):115-121.

[14] 吕冰,钟若飞,王嘉楠,等.车载移动激光扫描测量产品综述[J].测绘与空间地理信息,2012(6):184-187,195.

[15] Han J,Kim D,Lee M,et al.Enhanced road boundary and obstacle detection using a downward-looking LIDAR Sensor[J].IEEE Transactions on Vehicular Technology,2012,61(3):971-985.

[16] 李斌.智能车辆前方车辆探测及安全距离控制方法的研究[D].长春:吉林大学,2002.

[17] 项志宇.针对越野自主导航的障碍物检测系统[J].东南大学学报:自然科学版,2006,35(A02):71-74.

[18] 周波,戴先中,韩建达.基于激光扫描的移动机器人3D室外环境实时建模[J].机器人,2012(3):321-328,336.

[19] 蔡自兴,肖正,于金霞.基于激光雷达的动态障碍物实时检测[J].控制工程,2008(2):200-203.

[20] Hancock J A.Laser intensity-based obstacle detection and tracking[M].Carnegie:Carnegie Mellon University,1999.

[21] Felipe Jiménez,Jose Eugenio Naranjo.Improving the obstacle detection and identification algorithms of a laserscanner-based collision avoidance system[J].Transportation Research: Emerging Technologies,2011,19C(4):658-672.

[22] Hadsell R,Sermanet P,Ben J,et al.Online learning for offroad robots: Using spatial label propagation to learn long-range traversability[C].Norweland:Proceeding of Robotics: Science and Systems (RSS),2008.

Research on Obstacle Detection Method in Intelligent Vehicle Navigation

LI Liang，LI Fenglin

(R&D,Xi’an iTHOR Information Technology CO.,LTD,Xi’an 710065,China)

With the development of the smart car technology, the obstacle detection is becoming a very critical part of the smart car for autonomous navigation. Some research based on visual and laser radar are introduced in this paper to resolve this difficult problem. Reviewing the advantage and disadvantage of these researches, this paper points out that future multi-sensor data fusion for obstacle detection will be the focus and difficulty.

obstacle detection;vision;laser radar

2017- 03- 01

李亮(1982-)，男，硕士。研究方向：信号与信息处理。李锋林(1983-)，男，博士。研究方向：信号与信息处理。

10.16180/j.cnki.issn1007-7820.2017.09.044

TN958.98;TP274+.5

A

1007-7820(2017)09-162-04