陳星,張文海,楊林,鄭訊佳

(1.重慶文理學(xué)院 智能制造工程學(xué)院,重慶 402160;2.重慶交通大學(xué) 機(jī)電與汽車工程學(xué)院,重慶 400074;3.重慶長(zhǎng)安工業(yè)(集團(tuán))有限責(zé)任公司 特種車輛研究所,重慶 400023)

隨著無(wú)人駕駛車輛的快速發(fā)展，道路檢測(cè)起著越來(lái)越重要的作用。目前，國(guó)內(nèi)外關(guān)于道路檢測(cè)的研究主要集中于結(jié)構(gòu)化道路上，但是在實(shí)際車輛行駛中，常常會(huì)遇到?jīng)]有明顯標(biāo)記且環(huán)境背景復(fù)雜的道路，如：鄉(xiāng)村小道、沙漠公路等。因此，找到一種抗背景干擾性強(qiáng)、精度高、實(shí)時(shí)性好的非結(jié)構(gòu)化道路邊緣檢測(cè)方法具有重要意義。雖然非結(jié)構(gòu)化道路沒有明顯的道路邊緣特征，但是由于道路較為松垮，車輛駛過(guò)后可能留有車轍等痕跡，而這些痕跡一般會(huì)趨向收斂于道路遠(yuǎn)端，稱為消失點(diǎn)。因此利用消失點(diǎn)作為約束進(jìn)行非結(jié)構(gòu)化道路檢測(cè)，可以大幅度提高非結(jié)構(gòu)化道路檢測(cè)精度[1]。

目前，針對(duì)非結(jié)構(gòu)化道路消失點(diǎn)檢測(cè)的方法主要分為基于直線交點(diǎn)和基于紋理方向兩大類。利用直線交點(diǎn)的方法主要是通過(guò)獲取圖像中的道路邊緣，并估計(jì)邊緣的交點(diǎn)得到道路的消失點(diǎn)[2-3],韓冰心等[4]采用基于隨機(jī)采樣一致性(random sample consistency,RANSAC)的消失點(diǎn)估計(jì)方法,利用正交性約束生成候選假設(shè)，然而RANSAC算法只對(duì)具有明顯道路線的場(chǎng)景有效，因此此類方法面對(duì)道路線不明顯且具有大量背景干擾的場(chǎng)景效果不佳。Rasmussen[5]首次提出了利用紋理方向來(lái)估計(jì)消失點(diǎn)。為了解決單一尺度下容易遺落信息的問題，Kong等[6]提出了使用36方向，5個(gè)尺度的Gabor濾波器組來(lái)獲取紋理響應(yīng)，然而該方法計(jì)算量大，不具有高效性。Moghada等[7]提出了聯(lián)合四方向Gabor濾波器，Jin等[8]提出了改進(jìn)的聯(lián)合四方向Gabor濾波器，采用粒子濾波的消失點(diǎn)跟蹤方法，該方法雖然有效，但是算法復(fù)雜，且需要連續(xù)的非結(jié)構(gòu)道路視頻。為了解決實(shí)時(shí)性問題，黃俊等[9]提出了采用局部二值模式 (local binary patter,LBP)特征來(lái)提取圖像紋理特征，王先杰[10]采用類Haar紋理特征替代傳統(tǒng)的Gabor紋理，雖然可以提高算法的效率，但是在精度上略顯不足。為解決精度問題，俞駿威等[11]采用神經(jīng)網(wǎng)絡(luò)的算法來(lái)計(jì)算消失點(diǎn)，Liu等[12]結(jié)合卷積網(wǎng)絡(luò)和Heatmap回歸來(lái)檢測(cè)消失點(diǎn)，基于神經(jīng)網(wǎng)絡(luò)的算法可以顯著提高消失點(diǎn)的檢測(cè)精度，但是時(shí)間復(fù)雜度較高，滿足不了實(shí)時(shí)性的要求。

綜上所述，設(shè)計(jì)一種兼?zhèn)漭^高精度與低時(shí)間復(fù)雜度的檢測(cè)算法具有重大的意義。通過(guò)深入研究先前消失點(diǎn)檢測(cè)方法在精度或者效率方面的問題，針對(duì)背景噪聲干擾導(dǎo)致算法精度和效率低下的問題，本文綜合考慮投票點(diǎn)位置信息、候選點(diǎn)范圍和投票角度優(yōu)先，創(chuàng)新性地提出一種結(jié)合立體視覺的非結(jié)構(gòu)化道路消失點(diǎn)檢測(cè)方法。首先采用半全局立體匹配算法快速得到道路場(chǎng)景視差圖，通過(guò)廣度優(yōu)先圖遍歷算法得到背景區(qū)域；設(shè)計(jì)五尺度四方向的Gabor濾波器高效地得到道路圖像紋理響應(yīng)，并通過(guò)幅值校正減少檢測(cè)誤差；結(jié)合背景區(qū)域，設(shè)計(jì)了一系列投票點(diǎn)的選擇規(guī)則和動(dòng)態(tài)調(diào)整的候選點(diǎn)范圍策略；設(shè)計(jì)角度優(yōu)先的投票函數(shù)。本文所提方法綜合考慮了投票點(diǎn)位置的影響，來(lái)提高算法的檢測(cè)精度與抗干擾性能；結(jié)合實(shí)際道路情況設(shè)計(jì)動(dòng)態(tài)的候選點(diǎn)區(qū)域范圍選擇，提高算法的效率；綜合考慮距離和角度問題設(shè)計(jì)更為合理的投票函數(shù)，使候選點(diǎn)得票數(shù)更為合理，進(jìn)一步提高算法的檢測(cè)精度。

1 背景區(qū)域估計(jì)

通過(guò)大量的研究發(fā)現(xiàn)，背景干擾是影響消失點(diǎn)檢測(cè)精度的主要因素之一，而且消失點(diǎn)檢測(cè)最為重要的信息線索往往都來(lái)源于路面區(qū)域。因此本文創(chuàng)新性地提出了一種基于雙目立體視覺的背景區(qū)域估計(jì)方法。首先采用SGM算法[13]計(jì)算道路圖像視差圖，接著建立參考柵格模型。如圖1所示，模型的零平面(即Y=0)與路面平行,視差圖的行和列與世界坐標(biāo)系X軸、Y軸平行,Z軸指向場(chǎng)景深度。設(shè)在視差圖像平面坐標(biāo)系,一個(gè)視差為d的像素點(diǎn)(x,y),將其映射到柵格單元(u,v)

(1)

式中:m,n為控制柵格模型尺寸的常數(shù)；?·」符號(hào)為下取整函數(shù)。由雙目視覺原理,由像平面坐標(biāo)系到世界坐標(biāo)系的轉(zhuǎn)換為

(2)

式中，x0,y0為像平面x軸、y軸中心坐標(biāo)。則可將公式(1)轉(zhuǎn)換為

(3)

式中:M為映射關(guān)系；B為雙目系統(tǒng)中基線長(zhǎng)度；f為焦距，通過(guò)(3)式可計(jì)算各個(gè)單元的X,Z坐標(biāo)。

(4)

最后計(jì)算相鄰單元間的斜率

(5)

式中:(u,v)和(p,q)為相鄰單元,‖·‖為二范數(shù)。給定一個(gè)閾值εl,斜率S(u,v,p,q)>εl,則認(rèn)為2個(gè)單元不相通。得到兩兩相鄰單元間的聯(lián)通性后,設(shè)汽車位于路面上,則以汽車所在單元為起點(diǎn)采用廣度優(yōu)先算法遍歷柵格模型,求得所有與路面不連通單元,那些單元即為背景區(qū)域。

圖1 柵格地圖示意圖

背景區(qū)域的步驟為:

step1 獲得雙目圖像的左視圖I,采用SGM算法獲得視差圖I視差。

step2 利用(1)式,將視差圖I視差轉(zhuǎn)換為柵格模型(u,v)。

step3 通過(guò)(3)～(4)式分別計(jì)算柵格模型各個(gè)單元的X,Y,Z坐標(biāo)。

step4 通過(guò)(5)式計(jì)算相鄰單元之間的連通性。

step5 采用廣度優(yōu)先算法遍歷柵格模型,獲得背景區(qū)域。

圖2給出最后結(jié)果,白色區(qū)域?yàn)闄z測(cè)得出的背景區(qū)域Ibk,本文設(shè)置背景區(qū)域值為1,即Ibk(x,y)=1,(x,y)∈Ibk。

圖2 背景區(qū)域估計(jì)

2 結(jié)合背景區(qū)域的消失點(diǎn)估計(jì)方法

2.1 道路紋理提取

道路的紋理特征提取是消失點(diǎn)檢測(cè)的第一個(gè)步驟,本文綜合考慮效率和精度問題,從五尺度上對(duì)圖像紋理進(jìn)行提取,雖然提高更多尺度可提高紋理提取精度,但換來(lái)的是效率大大降低;采用四方向Gabor濾波器,道路方向的紋理基本上位于0°,45°,90°和135°之間,因此采用四方向既滿足紋理方向需求,又可以減少濾波次數(shù),降低算法復(fù)雜度,具體定義為

(6)

式中:a=xcosθ+ysinθ,b=-xsinθ+ycosθ,θ=0°,45°,90°,135°,為4個(gè)方向,ω0=2π/λ為徑向頻率,c=π/2為頻倍常數(shù),λ=3,9,12,32,64,為5個(gè)尺度的空間頻率。設(shè)灰度圖像為I,將圖像I與確定方向θ和確定尺度ω0的Gabor濾波器進(jìn)行卷積,可得能量響應(yīng)ξθ,ω0(x,y)為

ξθ,ω0(x,y)=I(x,y)?Gθ,ω0(x,y)

(7)

式中:?為卷積符號(hào)。由于ξθ,ω0(x,y)包含實(shí)部與虛部2個(gè)分量,一般取能量響應(yīng)ξθ,ω0(x,y)的實(shí)部與虛部的平方根作為總的能量響應(yīng)幅度

式中:Eθ(x,y)為每個(gè)方向θ在5個(gè)尺度下能量響應(yīng)幅度Eθ,ω0(x,y)的均值。

值得注意的是,由于傳統(tǒng)的Gabor濾波器估計(jì)的紋理不總是精確的,本文在紋理方向上設(shè)置紋理方向置信度Conf(x,y)來(lái)剔除不可靠紋理。具體為:

step1 將(9)式得到的4個(gè)方向平均能量響應(yīng)Eθ(x,y)按降序進(jìn)行排列。

(10)

式中,Eth為閾值常數(shù)。

本文設(shè)計(jì)從五尺度的空間頻率對(duì)圖像紋理進(jìn)行提取,低空間頻率可更好地提取弱紋理響應(yīng),高空間頻率可更高效率地提取圖像紋理,結(jié)合多尺度紋理信息,既可以提取弱紋理響應(yīng),又可提高算法效率。采用四方向來(lái)獲取紋理信息,在效率上:若算法均為五尺度,8,16和32方向相比四方向則需要增加20,60和140次濾波;精度上:雖然8,16和32方向可從更多方向上獲得紋理響應(yīng),但是可能也會(huì)獲得更多的錯(cuò)誤紋理,例如當(dāng)背景區(qū)域面積大于路面區(qū)域時(shí),此時(shí)更多方向上獲得的紋理可能均為背景區(qū)域紋理,此時(shí)反而降低算法精度,而本文僅采用四方向是由于已去除背景區(qū)域的影響,此時(shí)獲得的紋理大部分均為路面紋理,而路面紋理方向基本位于0°,45°,90°和135°方向上,因此本文僅采用四方向來(lái)獲取紋理精度上可得到滿足,效率上也大大提高。

2.2 基于背景區(qū)域的投票點(diǎn)選擇

傳統(tǒng)的選擇方法著重于投票點(diǎn)的得分?jǐn)?shù),而忽略投票點(diǎn)的位置影響,一些來(lái)自背景區(qū)域的干擾點(diǎn)也被認(rèn)為是投票點(diǎn)[14-15],這不僅大大增加了投票階段的時(shí)間成本,也嚴(yán)重地影響了消失點(diǎn)檢測(cè)的精度。因此根據(jù)求得的背景區(qū)域Ibk,本文設(shè)計(jì)了一系列投票點(diǎn)的選擇規(guī)則,如下所示:

規(guī)則1 根據(jù)(10)式可以得到每個(gè)像素的方向置信度Conf(x,y),置信度越低,表明此像素點(diǎn)的方向性越差,在各個(gè)方向上能量響應(yīng)強(qiáng)度相似,則不應(yīng)作為投票點(diǎn)

(11)

式中:Votedot(x,y)為投票點(diǎn)地圖,Conf(x,y)為像素點(diǎn)置信度,數(shù)字1表示可作為投票點(diǎn),0表示不可作為投票點(diǎn)。

規(guī)則2 由于弱紋理像素的特點(diǎn)表現(xiàn)為能量響應(yīng)值小、紋理方向性弱,若作為投票點(diǎn),則會(huì)降低檢測(cè)的精度,應(yīng)去除

(12)

式中:E(x,y)為像素點(diǎn)的能量響應(yīng);E為所有像素的能量響應(yīng)強(qiáng)度;β為比例常數(shù),文中取2.5。

規(guī)則3 投票點(diǎn)的位置也會(huì)影響最終估計(jì)精度,認(rèn)為位于背景區(qū)域下像素點(diǎn)不應(yīng)作為投票點(diǎn)

(13)

式中，(x,y)為圖像的坐標(biāo)。

本小節(jié)在投票點(diǎn)選擇上,去除了置信度低、響應(yīng)弱和背景區(qū)域干擾的投票點(diǎn),如圖3所示,相比只有規(guī)則1的投票點(diǎn)選擇方法，本文方法選擇的投票點(diǎn)數(shù)量大大減少,提高了算法計(jì)算效率,而且有效地抑制了背景噪聲點(diǎn)的干擾,提高了算法的精度。

圖3 投票點(diǎn)

2.3 紋理主方向計(jì)算

傳統(tǒng)方法認(rèn)為能量響應(yīng)最大的方向即為紋理主方向,而忽略了其余能量響應(yīng)的影響。研究表明若某個(gè)像素點(diǎn)的紋理主方向離某個(gè)響應(yīng)越近,該方向的響應(yīng)就越強(qiáng),則該方向反方向的響應(yīng)就越弱,因此將2個(gè)紋理響應(yīng)最強(qiáng)方向的反方向能量響應(yīng)視為最弱的2個(gè)方向。本文設(shè)計(jì)了一種采用最弱方向的響應(yīng)來(lái)修正主方向的估計(jì)的方法。

由于本文所采用4個(gè)方向的響應(yīng)正好兩兩垂直,在進(jìn)行幅值矯正時(shí)無(wú)需進(jìn)行重新計(jì)算,則響應(yīng)矯正為

(14)

(15)

式中:Eθ(x,y)為主能量響應(yīng);Eθx(x,y),Eθy(x,y)為矯正后的響應(yīng)在x,y軸上的分量,如圖4所示,θ(x,y)為最終的紋理主方向。

很明顯本文計(jì)算的紋理主方向,綜合考慮了其余方向能量響應(yīng)的影響，更加合理。

圖4 向量合成示意圖

2.4 候選點(diǎn)范圍確定

在候選點(diǎn)的選擇上,文獻(xiàn)[16]認(rèn)為道路圖像的整個(gè)上部分像素點(diǎn)都應(yīng)視為候選點(diǎn)。然而,根據(jù)對(duì)大量圖像真實(shí)消失點(diǎn)位置的觀察,發(fā)現(xiàn)消失點(diǎn)通常處于路面區(qū)域的上方或者處于路面區(qū)域,且基本不會(huì)處于路面區(qū)域的兩側(cè),基于這一規(guī)律,本文設(shè)計(jì)了一種結(jié)合背景區(qū)域的動(dòng)態(tài)調(diào)整候選點(diǎn)搜索范圍策略。設(shè)非背景區(qū)域?yàn)槁访鎱^(qū)域Iroad

(16)

式中:數(shù)字1表示標(biāo)記成路面區(qū)域。

求取路面區(qū)域的面積,根據(jù)面積大小尋找一條直線y=y*,接著計(jì)算背景區(qū)域面積,根據(jù)面積占比尋求兩條直線x=xleft,x=xright,候選點(diǎn)應(yīng)處于3條直線圍成的區(qū)域之內(nèi),具體為

式中:Aroad為路面區(qū)域面積;H和W為圖像的長(zhǎng)寬;τ為調(diào)節(jié)系數(shù),取0.25;Candidate(x,y)為候選點(diǎn)區(qū)域,Abk,L和Abk,R為背景區(qū)域Ibk的左右面積,如圖5所示。圖6中黑色區(qū)域的像素點(diǎn)將不作為候選點(diǎn)。

圖5 左右面積示意圖

圖6 候選點(diǎn)范圍

候選點(diǎn)確定步驟:

step1 通過(guò)(15)式獲得路面區(qū)域。

step2 計(jì)算路面區(qū)域面積,根據(jù)(16)式求得直線y=y*。

step3 計(jì)算背景區(qū)域左右區(qū)域面積Abk,L和Abk,R,根據(jù)(16)式計(jì)算直線x=xleft,x=xright。

step4 3條直線圍成的區(qū)域即為候選點(diǎn)區(qū)域,根據(jù)公式(18)求得。

結(jié)合背景區(qū)域和路面區(qū)域,自適應(yīng)調(diào)節(jié)候選點(diǎn)范圍,去除無(wú)用候選點(diǎn),提高算法的效率。

2.5 投票策略

在確定了投票點(diǎn)與候選點(diǎn)后,通過(guò)投票策略即可實(shí)現(xiàn)消失點(diǎn)的定位。文獻(xiàn)[14]提出了一種基于距離的投票策略,但是由于背景干擾引入了大量的噪聲投票點(diǎn),靠近這些噪聲投票點(diǎn)的候選點(diǎn)會(huì)得到更多的選票。

因此,本文為每個(gè)投票點(diǎn)建立一個(gè)投票區(qū)域,如圖7所示的綠色區(qū)域,投票點(diǎn)P為其區(qū)域的候選點(diǎn)進(jìn)行投票。

圖7 投票面積示意圖

投票區(qū)域確定規(guī)則:

規(guī)則1 應(yīng)該保證投票區(qū)域位于投票點(diǎn)之上。

規(guī)則3 由于II1I2與JJ1J2區(qū)域遠(yuǎn)離投票點(diǎn)P,將不作為投票區(qū)。

本文提出一種結(jié)合角度控制的投票函數(shù),具體為

Score(P,V)=

(19)

式中:d(P,V)2=((xP-xV)2+(yP-yV)2)/Ldiag,Ldiag為圖像的對(duì)角線長(zhǎng)度,P為投票點(diǎn),V為該投票點(diǎn)確定的投票區(qū)域內(nèi)的候選點(diǎn),υ為比例常數(shù),設(shè)置為0.2。其余參數(shù):dPK=H×0.4,dPQ=H×0.55,容忍角度ε=5°。

3 實(shí)驗(yàn)結(jié)果與討論

3.1 圖像數(shù)據(jù)集

由于不存在用于非結(jié)構(gòu)化場(chǎng)景中消失點(diǎn)檢測(cè)的先驗(yàn)標(biāo)準(zhǔn)數(shù)據(jù)集,所以本文構(gòu)建了消失點(diǎn)檢測(cè)數(shù)據(jù)集來(lái)檢測(cè)算法的可行性。由于該文需要采用雙目圖像,目前流行的立體圖像數(shù)據(jù)集有Middlebury與KITTK2015[17]。KITTK2015數(shù)據(jù)集包含1 000多對(duì)立體圖像,均為實(shí)際駕駛過(guò)程中拍攝的場(chǎng)景,挑選其中800張屬于道路場(chǎng)景的圖像作為實(shí)驗(yàn)數(shù)據(jù)。本文首先將所有圖像的尺寸歸一為600×200,接著為了評(píng)估算法檢測(cè)性能與人類對(duì)消失點(diǎn)位置的感知,邀請(qǐng)10人為其講解消失點(diǎn)概念后,手動(dòng)標(biāo)注每張圖像的消失點(diǎn)的位置,作為真實(shí)的消失點(diǎn),最后給出本文算法在該數(shù)據(jù)集上一些道路場(chǎng)景的檢測(cè)結(jié)果,如圖8所示。

圖8 本文算法在不同道路場(chǎng)景的檢測(cè)結(jié)果(注:紅色星型標(biāo)記為真實(shí)消失點(diǎn)位置,紫色圓形標(biāo)記為本文算法檢測(cè)出的消失點(diǎn))

如圖8所示,本文提出的方法不管是在鄉(xiāng)鎮(zhèn)道路、城市道路和鄉(xiāng)間道路上檢測(cè)精度都很高,而且即使道路兩旁存在大量的背景干擾,本文方法都能準(zhǔn)確地檢測(cè)出消失點(diǎn)位置。

3.2 對(duì)比實(shí)驗(yàn)

為了更進(jìn)一步凸顯出本文所提方法的可靠性,將本文提出的方法與現(xiàn)有的5種算法進(jìn)行比較,分別為:Huang方法[9]、Moghada方法[7]、Ding方法[18]、Yu方法[11]和Hang方法[4]。Moghada方法被認(rèn)為是目前計(jì)算速度最快的方法;Yu方法是基于深度學(xué)習(xí)的檢測(cè)方法,具有較好的精度;Hang方法采用非線性直線擬合的方式,具有較好的效率;Ding方法采用暗通道先驗(yàn)概率來(lái)檢測(cè)消失點(diǎn),可減少光照的影響。選取不同自然條件影響的道路場(chǎng)景圖像,包括光照影響的道路場(chǎng)景、陰影影響的道路場(chǎng)景、復(fù)雜背景的道路場(chǎng)景和一些極其復(fù)雜的道路場(chǎng)景,來(lái)對(duì)比不同算法在不同場(chǎng)景下的效果,對(duì)比結(jié)果如圖9所示。

圖9 不同場(chǎng)景下消失點(diǎn)檢測(cè)算法比較

如圖9所示,其中紅色星型標(biāo)記為人工標(biāo)記的真實(shí)消失點(diǎn),綠色圓形標(biāo)記為本文檢測(cè)出的消失點(diǎn),黃色的圓形標(biāo)記為Huang方法,藍(lán)色圓形標(biāo)記為Moghada方法,紅色圓形標(biāo)記為Ding方法,紫色圓形標(biāo)記為Yu方法,棕色圓形標(biāo)記為Hang方法。在圖9a)中,Ding方法由于引入暗通道先驗(yàn)概率,可以很好改善光照影響,精度有所提高,但是由于背景噪聲影響,與真實(shí)消失點(diǎn)還是有些許偏差,而本文方法不受背景干擾,即使有光照影響,精度還是高于Ding方法。特別在具有復(fù)雜背景干擾下的場(chǎng)景,本文方法更具有優(yōu)勢(shì),如圖9c)所示,除Yu方法以外,其余對(duì)比方法精度都很低,這是因?yàn)閅u方法采用的是基于深度學(xué)習(xí)的方法,精度上高于傳統(tǒng)的圖像處理方法,但是具有效率低下的缺點(diǎn)。而本文方法在精度上接近Yu方法,但效率上遠(yuǎn)超于Yu方法。在一些極其復(fù)雜的場(chǎng)景,如圖9d)所示,在綜合背景、復(fù)雜道路類型和光照等影響下,對(duì)比算法檢測(cè)的消失點(diǎn)位置均很大地偏離真實(shí)位置,而本文方的檢測(cè)結(jié)果也均能在允許偏差內(nèi),精度接近基于神經(jīng)網(wǎng)絡(luò)的方法。

為了更為直觀地評(píng)估消失點(diǎn)檢測(cè)算法的精度,使用上文中標(biāo)記的800張道路圖像,使用歸一化歐式距離來(lái)衡量檢測(cè)到消失點(diǎn)與真實(shí)消失點(diǎn)之間的差異,為

(20)

式中:(xe,ye)為算法估計(jì)出的消失點(diǎn)位置;(xt,yt)為上文提及的人工標(biāo)注的真實(shí)消失點(diǎn)位置;Ldiag為圖像的對(duì)角線長(zhǎng)度,很明顯;eND越小,表明算法的精度越高。

從圖10可以看出,本文算法位于統(tǒng)計(jì)直方圖左部的圖像數(shù)量?jī)H次于Yu算法,可見本文方法的精度接近于基于深度學(xué)習(xí)的檢測(cè)方法，遠(yuǎn)高于傳統(tǒng)的基于圖像處理的檢測(cè)方法。具體而言,Moghada方法表現(xiàn)最差,約有303張(37.8%)圖像的eND值大于0.1,Ding方法與Huang方法分別有223張(27.8%)和197張(24.6%)被認(rèn)為是誤差較大的圖像,而本文所提方法只有65張(8.1%)圖像被認(rèn)為具有較大誤差,接近于Yu方法的35張(4.3%)。

圖10 消失點(diǎn)檢測(cè)算法精度比較

同時(shí)給出了各種算法的平均歸一化歐氏距離誤差和平均運(yùn)行時(shí)長(zhǎng),如表1所示。本文所有的算法實(shí)現(xiàn)都基于Python語(yǔ)言,運(yùn)行平臺(tái)為Windows10 64位系統(tǒng),CPU為Intel Core i5。本文的平均誤差僅為0.041 4,基本接近基于神經(jīng)網(wǎng)絡(luò)的檢測(cè)算法,但是Yu算法的運(yùn)算時(shí)長(zhǎng)是本文的3倍多,效率上僅低于Moghada方法,但是精度提高了30.1%。

表1 歐氏距離誤差與運(yùn)行時(shí)長(zhǎng)

4 結(jié) 論

本文提出了一種結(jié)合立體視覺的道路消失點(diǎn)檢測(cè)方法,結(jié)合雙目視覺技術(shù),實(shí)現(xiàn)對(duì)背景區(qū)域的快速估計(jì)；在此基礎(chǔ)上提出了一系列投票點(diǎn)與候選點(diǎn)的選擇規(guī)則,以提高檢測(cè)的準(zhǔn)確性與減少計(jì)算時(shí)長(zhǎng)；設(shè)計(jì)了一種投票策略,將在投票空間中獲得票數(shù)最高的候選點(diǎn)視為消失點(diǎn)。在KITTK數(shù)據(jù)集下選擇各種非結(jié)構(gòu)道路場(chǎng)景上的實(shí)驗(yàn)結(jié)果表明,與現(xiàn)有的5種方法相比,本文方法具有精度高、檢測(cè)速度快的特點(diǎn)。盡管本文的方法需要用到雙目視覺的技術(shù),對(duì)硬件的需求略高,但是可以大大地提高在非結(jié)構(gòu)道路中消失點(diǎn)檢測(cè)的準(zhǔn)確性,在無(wú)人地面車輛和移動(dòng)機(jī)器人的自主導(dǎo)航應(yīng)用中具有很好的應(yīng)用前景。