为了能在智能网联汽车的先进辅助驾驶系统中应用视觉识别技术,视觉识别必须具备实时性、鲁棒性、实用性这三个特点。实时性是指系统的数据处理必须与车辆的行驶速度同步进行;鲁棒性是指智能网联汽车上的机器视觉系统对不同的道路环境和变化的气候条件具有良好的适应性;实用性是指智能网联汽车先进辅助驾驶系统能够为普通用户所接受。 道路识别算法大体可以分为基于区域分割的识别方法、基于道路特征的识别方法和基于道路模型的识别方法。 1.基于区域分割的识别方法基于区域分割的识别方法是把道路图像的像素分为道路和非道路两类。分割的依据一般是颜色特征或纹理特征。基于颜色特征的区域分割方法的依据是道路图像中道路部分的像素与非道路部分的像素的颜色存在显著差别。根据采集到的图像性质,颜色特征可以分为灰度特征和彩色特征两类。灰度特征来自灰度图像,可用的信息为亮度的大小。彩色特征除了亮度信息外,还包含色调和饱和度。基于颜色特征的车道检测的本质是彩色图像分割问题,主要涉及颜色空间的选择和采用的分割策略两个方面。当然,由于不同道路的彩色和纹理会有变化,道路的颜色也随时间变化而变化,基于区域的分割是一个很困难的问题。同时,路面区
域分割方法大多计算量大,难以精确定位车道的边界。
2.基于道路特征的识别方法基于道路特征的识别方法主要是结合道路图像的一些特征,如颜色、梯度、纹理等特征,从所获取的图像中识别出道路边界或车道标识线,适合于有明显边界特征的道路。基于特征的车道检测过程一般分为两个阶段:第一个阶段为特征提取,主要是利用图像预处理技术、边缘检测技术提取属于车道线的像素集合,并利用相位技术确定车道线像素的方向;第二个阶段是特征聚合,即把车道线像素聚合为车道线,包括利用车道线宽度恒定的约束进行车道线局部聚合,再利用车道线平滑性约束以及平行车道线交于消隐点的约束进行车道线的长聚合。
基于道路特征的车道线识别算法中的特征主要可以分为灰度特征和彩色特征。
基于灰度特征的识别方法是根据车辆前方的序列灰度图像,利用道路边界和车道标识线的灰度特征完成的对道路边界及车道标识线的识别;基于彩色特征的识别方法是利用获取的序列彩色图像,根据道路及车道标识线的特殊色彩特征来完成对道路边界和车道标识线的识别。目前应用较多的是基于灰度特征的识别方法。
基于道路特征的识别方法与道路形状无关,鲁棒性较好,但对阴影和水迹较为敏感,且计算量较大。
3.基于道路模型的识别方法
基于道路模型的识别方法主要是基于不同的(2D或3D)道路图像模型,采用不同的检测技术( Hough变换、模板匹配技术、神经网络技术等)对道路边界或车道线进行识别。
在道路平坦的假设前提下,道路图像中的车道线可以认为在同一平面上,这时道路模型有直线模型、多项式曲线模型、双曲线模型以及样条曲线模型等。目前最常用的道路几何模型是直线道路模型。
为了更准确地描述道路形状,提出了曲线道路模型。常用的弯道模型有同心圆曲线模型、二次曲线模型、抛物线模型、双曲线模型、直线-抛物线模型、线性双曲线模型、广乂曲线模型、回旋曲线模型、样条曲线模型、圆锥曲线模型和分段曲率模型等。
在道路不平坦的情况下,可以利用双目视觉系统获得立体道路图像,通过建立3D道路图像模型进行车道检测。
基于2D道路图像模型的识别方法便于采用,且不需要精确地标定或知道车辆的自身参数,其不利之处是很难对车辆位置进行估计。基于3D道路图像模型的识别方法主要用于对距离的分析不是要求很高的没有标识的道路识别,缺点是模型比较简单或噪声强度比较大时,识别精度比较低;模型比较复杂时,模型的更新比较困难。
由于道路模型在结构上有规律可循,从而可以利用少量信息求解出整个道路模型,进而对阴影、水迹等因素具有较高的抗干扰性。一般基于视觉的道路模型需要满足以下几个特点(1)准确度高 模型最基本的一个特点是要求准确地描述道路的实际特征。
现实道路形状多样,为模型的建立增加了难度,所以如何根据实际的应用需求选择和求解模型是关键(2)鲁棒性高 模型的鲁棒性主要体现在对外界干扰因素的适应性。当由于外界干扰造成局部特征信息的获取失败或失效的时候,不会影响整体模型的求解。
(3)实时性好 基于视觉的导航系统中,实时性是一个重要因素。通常为了提高模型拟合的准确度,必须尽可能多的利用道路特征信息,并利用复杂的算法排除干扰,这将会大大增加运算。因此如何在保证模型有效性的情况下减少算法计算量,是影响模型是否高效的重要因素。
(4)灵活性好 为了适应显示道路形状多样性的特点,模型还需要具备构造和求解的灵活性。极少或不会因为道路相撞的变化,而造成模型求解方式的改变或失效。
基于模型的识别方法检测出的道路较为完整,只需较少的参数就可以表示整个道路,所以基于模型的方法对阴影、水迹等外界影响有较强的抗干扰性,不过在道路类型比较复杂的情况下,很难建立准确的模型,降低了对任意类型道路检测的灵活性。
4.基于道路特征与模型相结合的识别方法
基于道路特征与模型相结合的识别方法的基本思想在于利用基于道路特征的识别方法在对抗阴影、光照变化等方面的鲁棒性,对待处理图像进行分割,找出其中道路区域,再根据道路区域与非道路区域的分割结果找出道路边界,并使用道路边界拟合道路模型,从而达到综合利用基于道路特征的识别方法与基于道路模型的识别方法的目的基于道路特征与模型相结合的识别方法能否取得好的识别效果,其关键之处在于分割与拟合这两个过程。基于特征的分割过程能否准确地分割待处理图像的道路区域与非道路区域,将直接影响拟合的准确性;道路模型的拟合过程能否排除分割过程残留的噪声的影响,能否适应复杂环境中道路形状的变化,将直接影响道路检测的最终结果。因此,能否找到一种鲁棒性强的分割方法以及一种能适应多种道路形状变化的道路模型,是算法成功的关键之处。
