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(duì)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(duì)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(duì)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?；诘缆诽卣鞯乃惴ㄍㄟ^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(duì)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(cè)與跟蹤。由于RGB顏色模型對(duì)光照變化較敏感，通常需要對(duì)RGB顏色信息進(jìn)行轉(zhuǎn)化，增強(qiáng)顏色特征模型對(duì)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(jí)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(duì)象，針對(duì)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(duì)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(cè)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(zhǎng)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(duì)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(cè)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(duì)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(cè)量值和最小均方誤差準(zhǔn)則對(duì)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(cè)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(duì)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(duì)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(shì)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(duì)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(duì)應(yīng)關(guān)系，將圖像某一位置的像素值用其對(duì)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(duì)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(duì)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；
?。?）重復(fù)步驟（4）、（5）、（6），實(shí)現(xiàn)對(duì)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(zhǎng)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(duì)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(cè)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(cè)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(duì)比度，當(dāng)顏色信息的對(duì)比度相似時(shí)，易產(chǎn)生誤投影。相對(duì)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(duì)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(cè)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(duì)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(duì)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(duì)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(duì)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(duì)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(duì)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(cè)方法[J]．中國(guó)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(cè)[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(cè)的協(xié)同學(xué)習(xí)方法[J]. 中國(guó)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(guó)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.