摘  要： 鑒于室外自主移動機器人視覺導航的應用需求，提出一種提高非結構化道路跟蹤準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域的H-S-LBP特征模型，利用特征模型對視頻序列圖像進行反向投影，將圖像分割為道路區域和背景區域。同時，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，實現非結構化道路跟蹤。實際應用表明，提出的算法能夠準確跟蹤視頻圖像中道路區域，對復雜多變的室外環境適應性較強，道路邊緣處區分度較高，滿足實時性要求。
關鍵詞： 非結構化道路；局部二值模式；HSV顏色空間；反向投影；道路跟蹤

　非結構化道路識別與跟蹤是室外自主移動機器人視覺導航的研究熱點之一，解決該問題有利于機器人實現自主導航。室外環境道路分為結構化道路和非結構化道路，非結構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則，如校園道路和鄉村小路，因此對非結構化道路的識別與跟蹤比較困難，仍處于研究階段。
　非結構化道路識別與跟蹤算法通常包括：基于道路特征的算法[1-2]、基于神經網絡的算法[3]和基于道路模型的算法[4-5]等。基于道路特征的算法通過構建道路區域和非道路區域灰度、彩色、紋理等特征模型，利用相似性度量準則匹配這些特征，將視頻序列圖像分割為道路區域和背景區域。其優點是無需訓練大量先驗樣本，假設道路模型，對道路形狀不敏感等，但卻極易受到室外多變的光照條件影響。室外環境中，道路區域和非道路區域最直觀的區別在于顏色信息的不同，因此道路顏色特征常用于非結構化道路檢測與跟蹤。由于RGB顏色模型對光照變化較敏感，通常需要對RGB顏色信息進行轉化，增強顏色特征模型對光照條件變化的魯棒性，如葉偉龍等利用RGB顏色空間構建的c1c2c3顏色模型[6]，TAN C等構建的均衡R-G顏色模型[7]。
紋理是一種反映圖像中小塊區域像素灰度級的空間分布屬性，通常不依賴于顏色和亮度的變化，是一種較穩定的圖像特征。與顏色模型一樣，都屬于點樣本估計方式，能夠相互融合。并且LBP紋理特征具有尺度不變性和旋轉不變性，能夠魯棒地表征物體表面紋理特征，其計算復雜度低，易于實現。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算法結合成功應用于人臉跟蹤、視頻目標跟蹤等，克服了單一特征使跟蹤結果魯棒性和準確性差等現象[8-9]。
　本文以視覺傳感器獲取的實時道路圖像為研究對象，針對道路的紋理和彩色特征提出了一種基于特征模型的非結構化道路跟蹤算法。首先對視頻序列圖像預處理，在第一幀圖像中采集道路區域樣本圖像，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，用于道路區域提取。利用道路歷史特征模型與當前跟蹤結果的觀測特征模型進行卡爾曼濾波，更新道路特征模型，實現道路區域跟蹤。
1 非結構化道路跟蹤系統總體框架
　圖1為非結構化道路跟蹤系統的總體框架，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域的特征，建立初始特征模型，為系統提供前向輸入，并將實時跟蹤結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域。

2.4 道路特征模型更新
    機器人運動過程中，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時、準確地反映道路特征，致使系統在長時間的跟蹤過程中，跟蹤結果的準確性不斷下降。因此，必須實時更新道路特征模型。
　卡爾曼濾波器采用反饋控制的方法估計過程狀態，能夠遞歸地解決離散數據線性濾波問題[13]。在實際應用中，卡爾曼濾波器對被建模系統提出了3個假設：（1）系統是線性的；（2）影響測量的噪聲是白噪聲；（3）噪聲呈高斯分布。其基本思想是：利用歷史估計值對當前狀態變量和誤差協方差進行預估計，在反饋校正階段，通過當前測量值和最小均方誤差準則對預估計值校正，得到最優化的后驗估計值。其時間更新方程和測量更新方程如式（5）~式（9）所示。
　時間更新方程：

　由于特征模型中特征值間相互獨立，基于卡爾曼濾波器的特征模型更新通常是對特征模型中的單個特征值更新，即為每個特征值賦予一個卡爾曼濾波器[14-15]。相比將特征模型看作一個整體的更新方法，對特征值單獨更新的方法能夠獲得一個更準確、更合理的更新模型。但其運算量將受到特征模型中bin的影響迅速增加，勢必影響更新速度。將三維特征模型轉化為3個一維特征模型，給3個一維特征模型中每個特征值賦予一個卡爾曼濾波器，將得到的更新特征值對應相乘，即可獲得三維特征模型中每個特征值的概率估計值，大大減少了計算量。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個一維卡爾曼濾波器，濾波器的參數設定詳見參考文獻[14]。通常，前后兩幀圖像中道路區域的特征模型不會發生劇烈變化。因此，將每個濾波器的更新結果與上一幀比較，若小于預設閾值，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或像素塊如何適應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個像素）最匹配的點或者區域，也就是定位樣本圖像出現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應關系，將圖像某一位置的像素值用其對應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步驟如下：
　（1）對獲取的視頻序列圖像預處理，減少噪聲的影響；
　（2）從視頻序列第一幀圖像中提取足夠的道路區域樣本圖像；
　（3）道路特征模型建立：將獲取的RGB圖像轉換為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行反向投影，得出道路概率分布圖，即反向投影圖；
　（5）對道路概率分布圖后處理，區分道路區域和背景區域，選取連通域面積最大的區域為道路；
　（6）更新道路特征模型；
　（7）重復步驟（4）、（5）、（6），實現對視頻序列中非結構化道路跟蹤。
4 實驗結果與分析
　實驗選用的硬件平臺為AMD Athlon64 3000+2 GHz處理器，1 GB內存，軟件平臺為VC2005。實驗視頻圖像均在西南科技大學校園內和后山采集，平均時長10 min，包括多種非結構化道路環境，視頻為AVI格式，分辨率為320×240，每幀視頻圖像平均處理時間為210 ms。實際應用時，等間隔地抽取視頻幀圖像進行處理，減少數據處理量，有利于系統的實時實現。
　本文采用P=8，R=1的掩膜提取LBP紋理特征，構建16×16×9的道路特征模型。圖5對基于不同特征模型的反向投影圖進行了比較，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，類道路區域誤檢測現象嚴重，道路邊緣不連續，在第二類環境中，將道路左邊大面積的非道路區域檢測為道路區域。主要在于均衡R-G模型體現的是像素顏色信息的對比度，當顏色信息的對比度相似時，易產生誤投影。相對圖5(b)的實驗結果，圖5（c）中的道路邊緣的誤投影得到明顯改善，但當道路邊緣模糊時（如第二類和第三類環境），由于過度區域存在顏色信息的漸變過程或模糊不清時，系統對此類區域的辨識度較低，投影誤差增大。比較圖5（c）和圖5（d）可以看出，融合紋理特征的實驗結果中，道路區域內和非道路區域內的誤檢測均減少，尤其道路邊緣誤投影減少，連續性強。這是由于道路邊緣處通常存在一些不規則的雜物，使得其紋理特征與道路區域不同，因此被判斷為非道路區域，有效提高了道路邊緣處跟蹤結果的正確率。

　針對室外自主移動機器人的作業需要，提出了一種基于特征模型的非結構化道路跟蹤算法。通過建立道路的三維特征模型，對道路區域進行實時跟蹤。實驗表明，構建的三維特征模型能夠準確表征道路特征，在HSV顏色空間下，H、S顏色特征對顏色信息的區分度較好，能夠區分與目標顏色信息相近的區域，且其受亮度信息的影響較小，對復雜室外環境適應性較強。融入LBP紋理描述算子的特征模型使跟蹤結果中類道路區域明顯減少，尤其對于模糊性比較高、辨別難度較大的道路邊緣處，其跟蹤結果更準確，邊緣連續性更強。此外，采用卡爾曼濾波器對道路特征模型更新，使系統跟蹤結果的魯棒性增強。
參考文獻
[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，蘇曉許．偽彩色空間完全非結構化道路檢測方法[J]．中國圖像圖形學報，2012，17（2）：203-208．
[3] 李青，鄭南寧，馬琳，等．基于主元神經網絡的非結構化道路跟蹤[J]．機器人，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的非結構化道路檢測[J]．計算機工程與應用，2010，46（15）：138-141．
[6] 葉偉龍，劉華平，孫富春，等. 非結構化道路區域檢測的協同學習方法[J]. 中國圖像圖形學報，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]．電子與信息學報，2009，31（8）：612-618．
[9] 寧紀鋒，吳成科．一種基于紋理模型的目標跟蹤算法[J]．模式識別與人工智能，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].中國圖像圖形學報，2007，12（3）： 460-465.
[15] 郭森，柳偉，王建華.一種自適應權值更新的mean shift 跟蹤算法[J].科學技術與工程，2009，8（16）：4540-4544.