摘 要： 鑒于室外自主移動(dòng)機(jī)器人視覺導(dǎo)航的應(yīng)用需求，提出一種提高非結(jié)構(gòu)化道路跟蹤準(zhǔn)確性和魯棒性的算法,。首先,，利用局部二值模式LBP的紋理特征和顏色特征建立道路區(qū)域的H-S-LBP特征模型，利用特征模型對視頻序列圖像進(jìn)行反向投影,，將圖像分割為道路區(qū)域和背景區(qū)域,。同時(shí)，采用卡爾曼濾波器更新道路特征模型,。通過反向投影與特征模型更新的交替完成，實(shí)現(xiàn)非結(jié)構(gòu)化道路跟蹤,。實(shí)際應(yīng)用表明,，提出的算法能夠準(zhǔn)確跟蹤視頻圖像中道路區(qū)域，對復(fù)雜多變的室外環(huán)境適應(yīng)性較強(qiáng),，道路邊緣處區(qū)分度較高,，滿足實(shí)時(shí)性要求。
關(guān)鍵詞： 非結(jié)構(gòu)化道路,；局部二值模式,；HSV顏色空間；反向投影,；道路跟蹤
非結(jié)構(gòu)化道路識(shí)別與跟蹤是室外自主移動(dòng)機(jī)器人視覺導(dǎo)航的研究熱點(diǎn)之一,，解決該問題有利于機(jī)器人實(shí)現(xiàn)自主導(dǎo)航。室外環(huán)境道路分為結(jié)構(gòu)化道路和非結(jié)構(gòu)化道路,，非結(jié)構(gòu)化道路一般不具備明顯車道線,、路面不均勻、道路邊緣模糊且形狀不規(guī)則,，如校園道路和鄉(xiāng)村小路,，因此對非結(jié)構(gòu)化道路的識(shí)別與跟蹤比較困難，仍處于研究階段,。
非結(jié)構(gòu)化道路識(shí)別與跟蹤算法通常包括：基于道路特征的算法[1-2],、基于神經(jīng)網(wǎng)絡(luò)的算法[3]和基于道路模型的算法[4-5]等,。基于道路特征的算法通過構(gòu)建道路區(qū)域和非道路區(qū)域灰度,、彩色,、紋理等特征模型，利用相似性度量準(zhǔn)則匹配這些特征,，將視頻序列圖像分割為道路區(qū)域和背景區(qū)域,。其優(yōu)點(diǎn)是無需訓(xùn)練大量先驗(yàn)樣本，假設(shè)道路模型,，對道路形狀不敏感等,，但卻極易受到室外多變的光照條件影響。室外環(huán)境中,，道路區(qū)域和非道路區(qū)域最直觀的區(qū)別在于顏色信息的不同,，因此道路顏色特征常用于非結(jié)構(gòu)化道路檢測與跟蹤。由于RGB顏色模型對光照變化較敏感,，通常需要對RGB顏色信息進(jìn)行轉(zhuǎn)化,，增強(qiáng)顏色特征模型對光照條件變化的魯棒性，如葉偉龍等利用RGB顏色空間構(gòu)建的c1c2c3顏色模型[6],，TAN C等構(gòu)建的均衡R-G顏色模型[7],。
紋理是一種反映圖像中小塊區(qū)域像素灰度級的空間分布屬性，通常不依賴于顏色和亮度的變化,，是一種較穩(wěn)定的圖像特征,。與顏色模型一樣，都屬于點(diǎn)樣本估計(jì)方式,，能夠相互融合,。并且LBP紋理特征具有尺度不變性和旋轉(zhuǎn)不變性，能夠魯棒地表征物體表面紋理特征,，其計(jì)算復(fù)雜度低,，易于實(shí)現(xiàn)。近年來,，隨著融合LBP紋理特征與顏色特征研究的深入,，將多特征模型與MeanShift算法結(jié)合成功應(yīng)用于人臉跟蹤、視頻目標(biāo)跟蹤等,，克服了單一特征使跟蹤結(jié)果魯棒性和準(zhǔn)確性差等現(xiàn)象[8-9],。
本文以視覺傳感器獲取的實(shí)時(shí)道路圖像為研究對象，針對道路的紋理和彩色特征提出了一種基于特征模型的非結(jié)構(gòu)化道路跟蹤算法,。首先對視頻序列圖像預(yù)處理,，在第一幀圖像中采集道路區(qū)域樣本圖像，提取LBP紋理特征和顏色特征,，建立特征模型,。通過特征模型與視頻序列圖像的一一映射,，生成反向投影圖，用于道路區(qū)域提取,。利用道路歷史特征模型與當(dāng)前跟蹤結(jié)果的觀測特征模型進(jìn)行卡爾曼濾波,，更新道路特征模型，實(shí)現(xiàn)道路區(qū)域跟蹤,。
1 非結(jié)構(gòu)化道路跟蹤系統(tǒng)總體框架
圖1為非結(jié)構(gòu)化道路跟蹤系統(tǒng)的總體框架,，主要包括樣本特征提取、特征模型建立,、反向投影和模型更新四部分,。通過提取視頻序列第一幀圖像中道路區(qū)域的特征，建立初始特征模型,，為系統(tǒng)提供前向輸入,，并將實(shí)時(shí)跟蹤結(jié)果反饋到歷史特征模型中，交替地更新特征模型和提取視頻流中道路區(qū)域,。
2.4 道路特征模型更新
機(jī)器人運(yùn)動(dòng)過程中,，前方道路必定與視頻序列初始幀圖像中的道路存在差異，再加上室外不確定因素的影響,，基于初始幀圖像建立的特征模型并不能實(shí)時(shí),、準(zhǔn)確地反映道路特征，致使系統(tǒng)在長時(shí)間的跟蹤過程中,，跟蹤結(jié)果的準(zhǔn)確性不斷下降,。因此，必須實(shí)時(shí)更新道路特征模型,。
卡爾曼濾波器采用反饋控制的方法估計(jì)過程狀態(tài)，能夠遞歸地解決離散數(shù)據(jù)線性濾波問題[13],。在實(shí)際應(yīng)用中,，卡爾曼濾波器對被建模系統(tǒng)提出了3個(gè)假設(shè)：（1）系統(tǒng)是線性的；（2）影響測量的噪聲是白噪聲,；（3）噪聲呈高斯分布,。其基本思想是：利用歷史估計(jì)值對當(dāng)前狀態(tài)變量和誤差協(xié)方差進(jìn)行預(yù)估計(jì)，在反饋校正階段,，通過當(dāng)前測量值和最小均方誤差準(zhǔn)則對預(yù)估計(jì)值校正,，得到最優(yōu)化的后驗(yàn)估計(jì)值。其時(shí)間更新方程和測量更新方程如式（5）~式（9）所示,。
時(shí)間更新方程：
由于特征模型中特征值間相互獨(dú)立,，基于卡爾曼濾波器的特征模型更新通常是對特征模型中的單個(gè)特征值更新，即為每個(gè)特征值賦予一個(gè)卡爾曼濾波器[14-15],。相比將特征模型看作一個(gè)整體的更新方法,，對特征值單獨(dú)更新的方法能夠獲得一個(gè)更準(zhǔn)確,、更合理的更新模型。但其運(yùn)算量將受到特征模型中bin的影響迅速增加,，勢必影響更新速度,。將三維特征模型轉(zhuǎn)化為3個(gè)一維特征模型，給3個(gè)一維特征模型中每個(gè)特征值賦予一個(gè)卡爾曼濾波器,，將得到的更新特征值對應(yīng)相乘,，即可獲得三維特征模型中每個(gè)特征值的概率估計(jì)值，大大減少了計(jì)算量,。本文建立的特征模型為16×16×9的三維模型,，因此需要建立41個(gè)一維卡爾曼濾波器，濾波器的參數(shù)設(shè)定詳見參考文獻(xiàn)[14],。通常,，前后兩幀圖像中道路區(qū)域的特征模型不會(huì)發(fā)生劇烈變化。因此,，將每個(gè)濾波器的更新結(jié)果與上一幀比較,，若小于預(yù)設(shè)閾值，則更新,；否則,，保留上一幀的特征值。
3 反向投影
反向投影是一種記錄像素點(diǎn)或像素塊如何適應(yīng)直方圖模型中分布的方式,。用于在待處理圖像（通常較大）中查找樣本圖像（通常較小或者僅1個(gè)像素）最匹配的點(diǎn)或者區(qū)域,，也就是定位樣本圖像出現(xiàn)在待處理圖像中的位置。在道路特征模型中,，圖像的H,、S、LBP分量與道路概率特征值建立了一一對應(yīng)關(guān)系,，將圖像某一位置的像素值用其對應(yīng)的道路概率特征值代替,，得到反向投影圖。由于道路概率特征值被歸一化為0~255,，因此得到的反向投影圖是單通的,，即灰度圖像。反向投影公式為：
本文道路跟蹤算法詳細(xì)步驟如下：
?。?）對獲取的視頻序列圖像預(yù)處理,，減少噪聲的影響；
?。?）從視頻序列第一幀圖像中提取足夠的道路區(qū)域樣本圖像,；
（3）道路特征模型建立：將獲取的RGB圖像轉(zhuǎn)換為HSV圖像和灰度圖像,，利用灰度圖像生成圖像的LBP紋理特征,，并提取HSV圖像中的H,、S分量，通過樣本圖像的三維直方圖,，構(gòu)建道路特征模型,；
（4）通過特征模型與視頻序列圖像的一一映射進(jìn)行反向投影,，得出道路概率分布圖,，即反向投影圖；
?。?）對道路概率分布圖后處理,，區(qū)分道路區(qū)域和背景區(qū)域，選取連通域面積最大的區(qū)域?yàn)榈缆罚?br />
?。?）更新道路特征模型,；
（7）重復(fù)步驟（4）,、（5）,、（6），實(shí)現(xiàn)對視頻序列中非結(jié)構(gòu)化道路跟蹤,。
4 實(shí)驗(yàn)結(jié)果與分析
實(shí)驗(yàn)選用的硬件平臺(tái)為AMD Athlon64 3000+2 GHz處理器,，1 GB內(nèi)存，軟件平臺(tái)為VC2005,。實(shí)驗(yàn)視頻圖像均在西南科技大學(xué)校園內(nèi)和后山采集,，平均時(shí)長10 min，包括多種非結(jié)構(gòu)化道路環(huán)境,，視頻為AVI格式,，分辨率為320×240，每幀視頻圖像平均處理時(shí)間為210 ms,。實(shí)際應(yīng)用時(shí),，等間隔地抽取視頻幀圖像進(jìn)行處理，減少數(shù)據(jù)處理量,，有利于系統(tǒng)的實(shí)時(shí)實(shí)現(xiàn)。
本文采用P=8,，R=1的掩膜提取LBP紋理特征,，構(gòu)建16×16×9的道路特征模型。圖5對基于不同特征模型的反向投影圖進(jìn)行了比較,，圖5（a）為采集的視頻序列中部分幀原始圖像,，圖5（b）為采用參考文獻(xiàn)8提出的均衡R-G顏色模型生成的反向投影圖，圖5（c）為采用H-S顏色模型生成的反向投影圖,，圖5（d）為采用H-S-LBP特征模型生成的反向投影圖,。圖5（b）中,，類道路區(qū)域誤檢測現(xiàn)象嚴(yán)重，道路邊緣不連續(xù),，在第二類環(huán)境中,，將道路左邊大面積的非道路區(qū)域檢測為道路區(qū)域。主要在于均衡R-G模型體現(xiàn)的是像素顏色信息的對比度,，當(dāng)顏色信息的對比度相似時(shí),，易產(chǎn)生誤投影。相對圖5(b)的實(shí)驗(yàn)結(jié)果,，圖5（c）中的道路邊緣的誤投影得到明顯改善,，但當(dāng)?shù)缆愤吘壞：龝r(shí)（如第二類和第三類環(huán)境），由于過度區(qū)域存在顏色信息的漸變過程或模糊不清時(shí),，系統(tǒng)對此類區(qū)域的辨識(shí)度較低,，投影誤差增大。比較圖5（c）和圖5（d）可以看出,，融合紋理特征的實(shí)驗(yàn)結(jié)果中,，道路區(qū)域內(nèi)和非道路區(qū)域內(nèi)的誤檢測均減少，尤其道路邊緣誤投影減少,，連續(xù)性強(qiáng),。這是由于道路邊緣處通常存在一些不規(guī)則的雜物，使得其紋理特征與道路區(qū)域不同,，因此被判斷為非道路區(qū)域,，有效提高了道路邊緣處跟蹤結(jié)果的正確率。
針對室外自主移動(dòng)機(jī)器人的作業(yè)需要,，提出了一種基于特征模型的非結(jié)構(gòu)化道路跟蹤算法,。通過建立道路的三維特征模型，對道路區(qū)域進(jìn)行實(shí)時(shí)跟蹤,。實(shí)驗(yàn)表明,，構(gòu)建的三維特征模型能夠準(zhǔn)確表征道路特征，在HSV顏色空間下,，H,、S顏色特征對顏色信息的區(qū)分度較好，能夠區(qū)分與目標(biāo)顏色信息相近的區(qū)域,，且其受亮度信息的影響較小,，對復(fù)雜室外環(huán)境適應(yīng)性較強(qiáng)。融入LBP紋理描述算子的特征模型使跟蹤結(jié)果中類道路區(qū)域明顯減少,，尤其對于模糊性比較高,、辨別難度較大的道路邊緣處，其跟蹤結(jié)果更準(zhǔn)確，邊緣連續(xù)性更強(qiáng),。此外,，采用卡爾曼濾波器對道路特征模型更新，使系統(tǒng)跟蹤結(jié)果的魯棒性增強(qiáng),。
參考文獻(xiàn)
[1] Huang Jingang,， Kong Bin， Li Bichun,， et al. A new method of unstructured road detection based on HSV color space and road features[C]. Proceedings of the 2007 International Conference on Information Acquisition,， 2007： 596-601.
[2] 胡曉輝，孫苗強(qiáng),，蘇曉許．偽彩色空間完全非結(jié)構(gòu)化道路檢測方法[J]．中國圖像圖形學(xué)報(bào),，2012，17（2）：203-208．
[3] 李青,，鄭南寧,，馬琳，等．基于主元神經(jīng)網(wǎng)絡(luò)的非結(jié)構(gòu)化道路跟蹤[J]．機(jī)器人,，2002,，27（3）：247-251．
[4] Tian Zheng， Xu Cheng,， Wang Xiaodong,， et al. Non-parametic model for robust road recognition[C]. 2010 IEEE 10th International Conference on Signal Processing， 2010： 869-872.
[5] 張玉穎,，顧小東,，汪源源．基于梯形模型和支持向量機(jī)的非結(jié)構(gòu)化道路檢測[J]．計(jì)算機(jī)工程與應(yīng)用，2010,，46（15）：138-141．
[6] 葉偉龍,，劉華平，孫富春,，等. 非結(jié)構(gòu)化道路區(qū)域檢測的協(xié)同學(xué)習(xí)方法[J]. 中國圖像圖形學(xué)報(bào),，2011，16（5） ： 792-799.
[7] TAN C,， HONG T,， CHANG T， et al. Color model-based real-time learning for road following[C]. Proceedings of the IEEE Intelligent Transportation Systems Conference,， 2006： 939-944.
[8] 張濤,，蔡燦輝．基于多特征Mean Shift的人臉跟蹤算法[J]．電子與信息學(xué)報(bào)，2009,，31（8）：612-618．
[9] 寧紀(jì)鋒，吳成科．一種基于紋理模型的目標(biāo)跟蹤算法[J]．模式識(shí)別與人工智能，2007,，20（5）：612-618．
[10] OJALA T,， PIETIKINEN M， et al. A comparative study of texture measures with classification based on feature distribution[J]. pattern recognition. 1996,，29：51-59.
[11] M?覿enp?覿?覿 T,， Pietik?覿inen M. Texture analysis with local binary patterns. In Chen CH & Wang PSP（eds） Handbook of Pattern Recognition and Computer Vision 3rd ed[M]. World Scientific， 2005.
[12] OJALA T,， PIETIKINEN M. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,， 2002， 24（7）： 971-987.
[13] KALMAN R E. A new approach to linear filtering and prediction problems[J]. Journal of Basic Engineering,， 1960,， 82（1）： 35-45．
[14] 朱勝利，朱善安.基于卡爾曼濾波器組的Mean Shift 模板更新算法[J].中國圖像圖形學(xué)報(bào),，2007,，12（3）： 460-465.
[15] 郭森,，柳偉,，王建華.一種自適應(yīng)權(quán)值更新的mean shift 跟蹤算法[J].科學(xué)技術(shù)與工程，2009,，8（16）：4540-4544.