非结构化道路区域检测的协同学习方法

2018-01-01 10:36王远航杨誉鹏
科学与财富 2017年30期
关键词:结构化纹理边缘

王远航+杨誉鹏

摘要:非结构化道路区域检测是智能车环境感知的重要问题。本文对现有的检测方法进行了研究,对两种协同学习方法进行了分析。

关键字:协同学习;道路检测;非结构化

0引言

随着科学技术的进步和发展,智能导航系统的开发和利用已经进趋成熟,无人驾驶自主导航系统的研究已经得以应用,其中对路面路况的检测是关键技术之一。道路分为结构化道路和非结构化道路。结构化道路是指车道标志线清晰、道路检测容易进行的一类道路的统称。费结构化道路是指道路环境较复杂,检测难度较大的一类道路。对非结构道路的检测是目前非常具有吸引力和挑战性的课题,受到了学者和专家的广泛关注。

协同学习是目前一种新的学习形式,主要以协同小组的形式存在,能够充分利用组内成员的优势,进行分工合作,讨论总结,最终达到解决问题的目的。在知识和信息大爆发的时代,协同学习能够满足知识时代的学习建构和革新需要。

1非结构化道路区域检测种类

对于非结构化道路区域的检测目前主要有两种方法,一种是基于模型的学习方法,另一种是基于特征的学习方法,特征法有氛围单特征和多特征法。

1.1基于模型方法

基于模型的方法,是根于先前的知识经验对非结构化道路形状提出假设,在假设的基础上对道路进行建模,然后进行检测。这种以构建模型为基础的检测方法很大程度上受到模型选择的限制。目前有一些学者采用模型法对非结构化道路进行了检测。学者KANG D J在2003年时,提出采用B样条曲线对非结构化道路进行检验,构建道路的二维模型,将对道路左右两车道的检测问题转化为利用已经掌握的知识和数据求解道路中心线的问题。

1.2基于特征的方法

利用已知的颜色、灰度和纹理等特征对非结构化道路进行建模,从而进行检测。

梁靓在2006年提出利用双峰法和最大类间方差法(OTSU)选取灰度阈值对道路图像进行分割。电气和电子工程师协会的BERNUY F于2009年提出基于灰度特征利用融合Canny算子和形态学的方法实现路径识别。厦门理工学院的副教授许华荣在2011年时以实时道路图像的真彩色信息为研究对象,利用颜色分块区域生产模型对非结构化道路进行分割处理,并用三次样条进行道路边界拟合,这种检测方法提高了对阴影水迹的抗干扰作用。胡晓辉在2012年提出采用颜色直方图和随机抽样一致算法相结合的检测方法,该方法对非结构化道路的检测结果较理想。

1.3多特征融合法

为了提高非结构化道路检测算法的准确性,单特征法不足以满足当前研究的需要,以此多特征融合法的产生和应用为非结构化道路检测注入了新的生机。魏武在2009年提出将颜色特征、边缘特征和纹理特征三种特征相融合,并且结合支持向量机对非结构化乡村道路进行检测。同年王静将协同学习方法运用到非结构化道路区域检测中,得到了较理想的道路分割结果。叶伟龙在2011年采用了基于在线学习的SVM非结构化道路检测方法,根据HSV空间的颜色特征和5个纹理特征进行有监督的在线学习,分割出非结构化道路区域。

2两种协同学习方法比较

2.1二维熵和轮廓特征的道路检测方法

针对非结构化道路场景复杂,易受光照变化和阴影干扰的情况,西南科技大学的郭秋梅提出提出了一种基于二维熵和轮廓特征的道路检测方法,利用融合色彩特征不变量的二次二维最大熵分割方法对道路图像进行分割,从分割图像中提取出道路轮廓,并有效提取边缘点。通过求解道路模型参数实现边界重建,同时对道路方向进行识别。

这种方法采用融合色彩特征不变量的二次二维最大熵法对道路进行分割,实现了阴影道路的准确分割。基于分割结果,根据轮廓长度筛选获取道路边缘,在一定程度上过滤掉了部分非道路边缘,优于直接用边缘检测算子提取道路边缘的方法。改进的Mid-to-side算法搜索道路边缘点,进一步保证了边缘点的有效性。利用最小二乘多项式曲线拟合法求解道路模型参数实现了道路重建,同时有效识别出了道路方向。郭秋梅等同过对3种不同场景非结构化道路的实验结果,表明了本文方法的有效性。但对于环境更为复杂的情况,算法还需要进一步完善和改进。非结构化道路检测是一个极为复杂的问题,后续还需要对其中某些技术难点问题进行更深入的研究。

2.2多方向Gabor纹理直方圖

针对非结构化道路区域检测提出增量式协同学习方法,清华大学的叶伟龙利用多方向Gabor纹理直方图和直方图反向投影器相互学习,可以很好地适应环境的变化。与基于图的半监督学习方法相比,该方法不需要计算所有样本之间的相似度关系,无需低维流形假设,算法直观且具有开放性,可以很容易融入其他学习机制。另外,协同学习本质上关注两个学习器之间的相互学习,而并不限定学习器的融合应用。

3总结

非结构化道路由于其自身复杂的存在环境,检测过程及方法较为复杂,合理选择检测方法是保证道路检测数据准确的关键。二维熵和轮廓特征的道路检测方法和多方向Gabor纹理直方图都能够很好的达到非结构化道路转却检测的目的。

参考文献:

[1]郭秋梅,黄玉清.基于二维熵和轮廓特征的非结构化道路检测[J].计算机应用,2013,33(7):2005-2008.

[2]叶伟龙,刘华平,孙富春,等.非结构化道路区域检测的协同学习方法[J].中国图象图形学报,2011,16(5):792-799.

猜你喜欢
结构化纹理边缘
促进知识结构化的主题式复习初探
结构化面试方法在研究生复试中的应用
基于BM3D的复杂纹理区域图像去噪
使用纹理叠加添加艺术画特效
TEXTURE ON TEXTURE质地上的纹理
一张图看懂边缘计算
消除凹凸纹理有妙招!
基于图模型的通用半结构化数据检索
基于软信息的结构化转换
在边缘寻找自我