非结构化道路识别研究综述

王鹏 贺阳 贾秀娟 张璐

摘 要：道路按照是否有规则的道路边界可以分为结构化道路和非结构化道路。结构化道路有明显的道路特征，系统可以根据道路模型或者人为设定的特征准确识别。但是实际环境中，存在没有明显的道路边界以及受到雾雪等天气干扰的路段，称为部分非结构化道路和完全非结构化道路。在非结构化道路识别上运用结构化道路的识别方法可能会导致错误的决策。因此，快速准确识别出非结构化环境中的道路对智能驾驶自主决策至关重要。该文基于近5年国内外相关研究，对目前非结构化道路的传统识别方法、机器学习、深度学习与数据融合等方法进行了整理与分析。

关键词：非结构化道路识别 机器学习 深度学习 多传感器融合

中图分类号：TP393 文献标识码：A 文章编号：1672-3791（2019）01（b）-0-02

随着汽车行业不断发展，汽车相关的安全问题变得日趋重要。近年来发展的无人驾驶技术旨在提高汽车安全性。因此，在道路结构不明显的情况下有效识别出道路的可通行区域，增强在恶劣极端天气下的道路识别能力，对车道偏离做出准确的预警，可以提高无人驾驶车辆的安全性和鲁棒性。对无人驾驶的实际应用具有巨大的意义。

1 传统非结构道路识別方法

1.1 道路模型法

道路识别常用的方法为道路模型法。部分非结构化道路依然具有一定程度的固定结构，通过合理构造相对规则的边缘，近似得到特征明显的道路模型。该种方法优势在于对阴影等干扰不敏感，但只适用于部分非结构化道路，无法适用于边缘不明显的完全非结构化道路。对此，胡晓辉等人提出了一种基于3次样条曲线模型和分块子区生长模型（CSCM_BSG）相结合的完全非结构化道路检测算法。该方法选取HSV模型，对色度（H）和饱和度（S）进行3次样条插值，将图像分割并映射到伪彩色空间。利用主、辅色色调、种类和纹理完成特征提取。这种算法只对子区进行一次扫描，避免了反复迭代，能有效屏蔽阴影、水迹等干扰，提升了道路匹配率和实时性。

1.2 光流法

图像特征匹配时产生的对相对位移会形成光流，光流法通过对光流的计算实现道路的辨别。其难点在于图像之间的特征匹配。对此，石朝侠等人提出了一种基于组合特征的光流检测方法。这种方法结合了SIFT特征尺度和放射变换，具有良好的鲁棒性，并且得到的Harri角点特征分布均匀。首先将非道路区域设置为感兴趣区域（ROI），通过对ROI区域提取SIFT-Harri角点组合特征，判断ROI区域是否静止。该方法和LK光流法相比，能够形成较清晰的光流，并能识别出可通行区域。

1.3 消失点检测法

非结构化道路特征不明显，从而不易被系统识别。因此，以容易识别的道路消失点作为道路约束条件的方法应运而生。通过消失点检测和道路模型假设，从环境中分割出非结构化道路区域。目前，消失点检测主要基于Gabor纹理的加权投票方法。例如，潘奎刚等人提出了一种基于主方向加权投票的非结构化道路消失点检测方法。该方法采用一尺度四方向的Gabor滤波器，对原图像的灰度图进行滤波，得到4个方向上的实部和虚部矩阵。计算4个纹理响应的方向并排序，通过置信度来筛选投票候选点，确定主方向并进行校正。该方法受光照强度影响较小，在夜间有较好效果，但计算量过大，实时性差。

1.4 图像分割法

图像分割法根据人工设定的特征对图像进行分割，并进行处理，从而实现道路识别的目标。胡旭等人提出了一种基于特征模型的非结构化道路识别跟踪方法，该方法利用LBP纹理特征和颜色特征建立了H-S-LBP特征模型并进行反向投影，完成分割。同时利用卡尔曼滤波器对特征模型进行更新。交替执行反向投影和模型更新，从而完成对非结构化道路的跟踪。实验表明该方法鲁棒性、实时性较好，精度较高。

2 机器学习

虽然非结构化道路特征不明显，但周围环境中植物特征相对明显。根据非结构化道路的特点，周植宇等人提出了一种基于高斯核支持向量机的非结构化道路环境植被检测方法。通过检测植被，完成可通行区域和不可通行区域的甄别。考虑到植被几何形状、边缘线等特征不明显，该方法采用颜色特征，选择图像像素相关性较小的模型，采用SLIC超像素分割方法标记原始样本，从而获得样本空间的稀疏表示T。运用支持向量机通过高斯核函数进行学习，使用学习得到的模型对图像进行分类。最后，将分类结果中置信度高于设定值的栅格窗标记为植被区。实验表明该方法准确率在94.9%左右。

3 深度学习

深度学习是含有多层隐藏层的人工神经网络，深度学习在图像识别方面的应用，相比较传统方法的优点在于不需要人为设定特征。卷积神经网（ConvNet）能够对图像进行语义层面的分割，因此近年来在图像识别方面展现出巨大的优势。基于卷积神经网技术，Keiller等人提出了一种通过3种卷积网的分类结果进行投票分类的方法。该方法建立了3种卷积网：每一个像素分别作为核心的上下文窗口训练出的标准卷积网；使用固定大小的块（Patch）来训练出的全卷积神经网和反卷积神经网。通过使用3种神经网对源图像进行投票分类，根据不同阈值，对投票结果进行划分，从而得到最终的图像分割结果。由卷积神经网结合的分割结果和单一神经网分割结果比较可知，相比较单一的神经网，结合的神经网能够发挥各个神经网各自的优点，弥补不足，具有较高的识别率。

4 基于雷达的道路识别方法

雷达传感器因具有可以向系统反馈三维坐标、深度等信息的特点，被广泛利用于识别领域。其中，李宁等人提出了一种基于多线激光雷达的非结构化道路感知方法，通过对栅格化后的点云数据完成距地高度、高度差、梯度差等特征数据的统计和聚类分析、跟踪，实现了可通行区域、静态障碍物的识别与车辆的跟踪监测。具体流程见图1。

5 数据融合

视觉传感器能够采集纹理信息，同时雷达传感器能够收集深度信息。基于上述特点，有学者通过结合两种传感器各自的特点提出了一种非结构化道路的实时语意分割地图方法。该方法通过深度学习训练图片，用完成训练的模型对图片语意进行分割；同时，利用雷达获取与图片逐帧对应的点云数据，将点云数据和语意分割图相匹配、融合，得到2.5D分割地图。根据地图计算不同候选路径的损失，最终选择损失最小的路径作为当前路径。实验证明，该方法能综合考虑图像纹理和深度信息，时效性、鲁棒性较好。

6 结语

非结构化道路识别的研究从利用单一传感器发展到多传感器融合，将图像横向纹理特征和雷达的纵向深度信息相结合，提高了鲁棒性；由人为设定特征发展到利用机器学习的方法来训练，获得道路特征的抽象表示，提高了识别结果的准确性。非结构化道路识别的准确性和实时性的提升对无人驾驶车辆的普及具有重大意义。

参考文献

[1] 胡晓辉，孙苗强，苏晓许.伪彩色空间完全非结构化道路检测方法[J].中国图像图形学报，2012，17（2）：203-208.

[2] 石朝侠，彭威，王燕清.面向非结构化道路的特征光流检测[J].中国科技论文，2014（7）：808-811.

[3] 石朝侠.基于主方向加权投票的非结构化道路消失点检测[J].计算机工程，2017，43（12）：237-241.