李靜1,唐振民2,譚業(yè)發(fā)1,石朝俠2,劉家銀2
(1.解放軍理工大學 野戰(zhàn)工程學院，江蘇 南京 210007；2.南京理工大學 計算機科學與工程學院，江蘇 南京 210094)
摘要：環(huán)境復雜度是無人地面車輛自主性評價三因素（即任務復雜度、環(huán)境復雜度、人機交互程度）的一個重要方面。在對美國陸軍新版《作戰(zhàn)綱要》中作戰(zhàn)環(huán)境分析的基礎上，定義無人地面車輛鄉(xiāng)村典型工作環(huán)境，以該環(huán)境復雜度作為評價目標，分為道路環(huán)境、車道內(nèi)障礙、路面覆蓋、路面破損、光照與陰影、成像模糊六個評價方面，建立鄉(xiāng)村典型工作環(huán)境復雜度評價指標體系。通過算法進行道路邊界分割，實現(xiàn)定量評價，并給出典型場景中環(huán)境復雜度的參考值。
關鍵詞：無人地面車輛;工作環(huán)境;環(huán)境復雜度評價;道路邊界分割
0引言
環(huán)境復雜度是無人地面車輛自主性評價三因素［1］（即任務復雜度、環(huán)境復雜度、人機交互程度）的一個重要方面。美國陸軍新版《作戰(zhàn)綱要》定義的作戰(zhàn)環(huán)境由地理、地形、氣象與基礎設施四大要素組成。本文在此基礎上，定義無人地面車輛鄉(xiāng)村典型工作環(huán)境為沒有道路標識的鄉(xiāng)村公路、路況較差的鄉(xiāng)間道路，或無鋪裝的土路，以中國農(nóng)村特有的場景為背景組成的環(huán)境；建立無人地面車輛鄉(xiāng)村典型工作環(huán)境復雜度評價指標體系；通過算法進行道路邊界分割、路面障礙物識別和可通行區(qū)域劃分，完成對該環(huán)境復雜度的定量評價，給出典型場景中環(huán)境復雜度的參考值。旨在提高無人地面車輛在鄉(xiāng)村典型工作環(huán)境下自主性評價的準確性和科學性。
1環(huán)境復雜度研究現(xiàn)狀
對無人地面車輛環(huán)境復雜度的研究涉及到地形學、氣象學、道路工程學、車輛工程學、戰(zhàn)場環(huán)境建模、信息工程學、電磁學等諸多學科［23］。目前，一般采用結構化和非結構化來區(qū)分道路環(huán)境［4］，這種方法描述不夠精確，包含的因素不夠全面，分析時也主要集中在一些特征明顯的場景或是用來驗證算法的特定環(huán)境，與真實的自然環(huán)境差別較大。而且，在結構化或非結構化道路環(huán)境中也同樣存在復雜程度的差別，無人地面車輛在不同復雜程度的環(huán)境中，其自主性評價值是不具可比性的。因此，如何科學地對環(huán)境復雜度進行定量評價，給出典型場景中環(huán)境復雜度的參考值，是無人地面車輛自主性評價的基礎，對擴大其工作范圍具有重要的現(xiàn)實意義。
2鄉(xiāng)村典型工作環(huán)境復雜度評價指標分解
鄉(xiāng)村環(huán)境的復雜度較高，道路一般是非標準的，地表粗糙而又凹凸不平，有的甚至是自然形成的小道，沒有清晰的車道線和道路邊界，易受光照、陰影、天氣變化等環(huán)境因素的干擾，且沒有交通信號標識，人車混行，路內(nèi)障礙多。因此，本文結合無人地面車輛執(zhí)行任務的特點和性質(zhì)，提取大量鄉(xiāng)村環(huán)境圖例的組成因素，以無人地面車輛鄉(xiāng)村典型工作環(huán)境復雜度作為評價目標，按層次分析法理論要求，將環(huán)境復雜度分為道路環(huán)境、車道內(nèi)障礙、路面覆蓋、路面破損、光照與陰影、成像模糊六個評價方面，建立鄉(xiāng)村典型工作環(huán)境復雜度評價指標體系。
2.1道路環(huán)境
無人地面車輛在有路環(huán)境中分割出道路邊界，在無路環(huán)境中分出可通行區(qū)域是其感知的最終目標［5］。將影響道路邊界分割的道路環(huán)境因素分為車道線、路面類型、路側環(huán)境和道路線形四個指標因素，如圖1。
由于基于視覺的道路導航系統(tǒng)主要是由道路檢測和障礙物檢測兩部分組成 ［6］，因此把車道內(nèi)障礙單列成一個評價方面，分為靜態(tài)和動態(tài)障礙兩個指標因素，如圖2。
2.3路面覆蓋
被覆蓋的路面常常與路側環(huán)境融為一體，造成道路邊界模糊，一般分為落葉、積雪、雨后積水、運輸過程中遺撒物四個指標因素，如圖3。
2.4路面破損
鄉(xiāng)村道路在建設時由于受經(jīng)費、地形等諸多因素的限制，道路建設標準低、路面材質(zhì)差、道路養(yǎng)護不及時等造成后期使用中出現(xiàn)路面破損嚴重，將不同的破損類型［78］作為指標因素，如圖4。
2.5光照與陰影
在城市環(huán)境中造成陰影的因素較多，在鄉(xiāng)村環(huán)境中相對比較單一。將車架、山體、建筑物、植物（高大茂盛的樹木、高草、密灌叢）造成的陰影作為指標因素，如圖5?！?/p>
無人地面車輛是基于機器視覺的環(huán)境感知，將揚塵、霧霾、雨天、雪天和陽光反射作為成像模糊的指標因素，如圖6。
3鄉(xiāng)村典型工作環(huán)境復雜度評價
道路邊界分割是利用圖像處理或模式識別技術將圖像中的路和非路區(qū)分出來，是體現(xiàn)無人地面車輛自主性能的基礎［9］。
3.1評價方法
無人地面車輛工作環(huán)境復雜度是一個模
糊概念，其組成因素事先難以確定，隨機性大，由這些因素組成的環(huán)境復雜程度更是難以用常規(guī)的分類方法或模型進行度量。因此，本文選取大量具有代表性的鄉(xiāng)村真實場景圖例（352×288 dpi），按六個評價方面分類，以此作為不同指標因素的驗證環(huán)境圖，經(jīng)算法驗證，給出最終的評價結論。
本文采用基于最大類間方差和紋理區(qū)別的算法［10］對圖像進行道路邊界分割。首先，采用最大類間方差閾值分割法對圖像進行初步分割（利用圖像的灰度值，通過計算目標與背景兩大類間的最大方差而動態(tài)得到圖像分割的閾值，然后據(jù)此進行圖像分割）；初步分割后的二值圖像有多個連通區(qū)域（忽略面積較小的噪聲區(qū)域），為了進一步確定道路區(qū)域，采用道路紋理作為主要特征進行匹配，分別計算各連通域的紋理特征與實際道路紋理特征的方差，取具有方差最小值的區(qū)域作為所求的道路區(qū)域。對于模糊圖像先采用基于暗通道的算法去霧［11］處理后，再進行以上步驟，具體流程如圖7。
其次，以人工分割的道路邊界為評價標準，將其與算法分割的道路邊界轉化至同一坐標系下，連成一條由多條線段連接成的線段集，求解兩條線段集的平均距離，得到的左右邊界平均距離取平均值作為環(huán)境復雜度的評價值，評價值越大說明分割效果越差，即該環(huán)境復雜程度越高。
3.2實驗驗證
采用上述方法進行無人地面車輛鄉(xiāng)村典型工作環(huán)境復雜度評價，需要大量圖例進行驗證，受篇幅限制本文僅列出6個評價方面的各一個圖例，如圖8~13。由于道路邊界分割是在原圖基礎上進行的，原圖不再單列。每組圖中（a）為人工分割結果，（b）為算法分割結果，（c）為兩類分割結果的平均距離計算結果。如果圖中有雙側道路邊界，圖8道路環(huán)境
但分割結果只有單邊，表明另一邊分割效果不好，不可靠，算法已將其自動過濾。
整理以上6組圖中數(shù)值得到鄉(xiāng)村典型工作環(huán)境復雜度評價值，如表1。
4評價結果分析
通過建立無人地面車輛鄉(xiāng)村典型工作環(huán)境復雜度評價模型，經(jīng)算法程序?qū)崿F(xiàn)，用圖例驗證不同環(huán)境的可識別難度，得到評價值。對大量評價結果分析、歸類，將環(huán)境分為簡單（評價值＜2）、一般（評價值2～5）、較復雜（評價值5～10）、復雜（包括無法識別的情況，評價值＞10）四個等級，并在具體場地實驗結論的基礎上，給出影響無人地面車輛鄉(xiāng)村典型工作環(huán)境復雜度的指標因素，如表2。
表2中列出的鄉(xiāng)村典型環(huán)境復雜度因素還不全面，今后將通過建立環(huán)境數(shù)據(jù)庫對結論進行不斷的完善和補充。
5結論
在實際的無人地面車輛鄉(xiāng)村典型工作環(huán)境中，環(huán)境基本上是由多個單因素疊加組成的，而多個因素對鄉(xiāng)村典型環(huán)境道路邊界分割的影響卻不是單因素的簡單相加，必須采用科學的方法來判斷環(huán)境的復雜程度。因此，對環(huán)境復雜度評價的研究是一項長期而有意義的工作，為無人地面車輛自主性評價提供一定的基礎。
參考文獻
?。?］ HUANG H M, PAVKE K, NOVAK B, et al. A framework for autonomy levels for unmanned systems (ALFUS)［C］. Proceedings of the AUVSI’s Unmanned System, North America, 2005.
［2］ 董志明，郭齊勝，黃璽瑛.戰(zhàn)場環(huán)境建模與仿真［M］.北京：國防工業(yè)出版社，2013.
?。?］ 鄭有飛.環(huán)境科學概論［M］.北京：氣象出版社，2011.
［4］ 胡旭，劉滿祿，張華，等.基于特征模型的非結構化道路跟蹤算法研究［J］.微型機與應用，2012，31(17)：4650.
?。?］ 宋懷波，何東健，辛湘俊.基于機器視覺的非結構化道路檢測與障礙物識別方法［J］.農(nóng)業(yè)工程學報，2011，27（6）：225229.
［6］ 劉華軍.面向智能車輛的道路環(huán)境理解技術研究［D］.南京：南京理工大學，2006.
［7］ 潘威，李旭丹.公路技術狀況檢測與評價技術［M］.北京：人民交通出版社,2014.
?。?］ 劉章棋，張亞岐，席曉哲，等. 基于PDE和小波分析的破損路面檢測技術［J］.微型機與應用，2012，31（8）：3537.
?。?］ 郝志帥.復雜環(huán)境的道路檢測技術研究［D］.南京：南京理工大學,2009.
?。?0］ 夏良正.數(shù)字圖像處理［M］.南京：東南大學出版社，1999.
?。?1］ He Kaiming, Sun Jian, Tang Xiaoou. Single image haze removal using dark channel prior［C］.IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009，33（12）：19561963.