基于支持向量机的非结构化道路检测

基于支持向量机的非结构化道路检测

王晓彬1 马戎1 付维平2

（西北工业大学自动化学院，陕西省西安市，710072；西安辰飞电气有限公司，陕西省西安市，710077） 摘要：机器视觉检测非结构化道路边缘的难点在于路面像素与非路面像素特征差异复杂，本文使用支持向量机分类算法实现了非结构化道路的边缘检测。算法引入感兴趣区域来消除环境噪声，并通过交叉验证方法优化了算法参数，最后在支持向量机的分类结果上使用霍夫变换提取道路边缘。Matlab实验证明算法具有很好的准确性和鲁棒性。

关键词：支持向量机，非结构化道路，感兴趣区域，霍夫变换 中图分类号：V249.4； 文献标志码:A

Unstructured Road Detection Based On

Support Vector Machine

WANGXIAOBIN1 MA RONG1 FUWEIPING2

(School Of Automation Northwestern Polytechnical University, Xi’an Shanxi, 710072；XIAN Chenfei

Electrical Engineering Co., Ltd Xi’an Shanxi, 710072)

Abstract: The complex pixel features of road area and non-road area are the one of the difficulties in detecting the edge of unstructured road. In this paper, a method of detecting non-road edge based on support vector machine’s (SVM) is introduced, Region of interest (ROI) is introduced to eliminate environmental noise, and Cross Validation (CV) is used to achieve the best algorithm parameters. The ultimate road edge is obtained by processing the SVM’s classification result with Hough Transform. Experiment showed the exactness and robustness of the algorithm.

Key words: SVM, unstructured road, ROI, Hough Transform

0引言：

智能车辆（Intelligent Vehicle）是指可以利用各种传感技术获取车体自身和车外环境的状态信息,经过智能算法对其进行分析、融合处理，并依赖此信息进行智能驾驶信息的新兴车辆。以图像处理为手段的机器视觉在智能车辆中有着重要地位，主要体现在构建机器视觉辅助导航系统、机器视觉自适应导航系统、车辆的自主启停系统以及换道超车辅助系统等方面[1]。机器视觉导航的重要途径通过图像检测以提取道路边缘，基于这一热点领域，本文将感兴趣区域（ROI）分割方法和支持向量机（SVM）分类算法相结合，提出了一种针对非结构化道路的机器视觉边缘检测算法，并在Matlab环境中验证了算法的准确性和可靠性。算法流程如图1

所示。

图1 基于SVM的非结构化道路检测算法流程

1 感兴趣区域分割

图像处理中的ROI分割都依赖于具体的处理对象。在车载机器视觉中，图像的道路特征是相对稳定的，作为摄像机载体的车辆运动也是有限的，据此思路可以得出两个经验命题：

1、 一般情况下道路在图像中的位置相

对固定； 2、 两幅连续图像有较大的相关性。 道路边缘识别中的ROI分割基本是根据以上两个命题为思路延伸出两种基本的分割方法，分别是从道路特征入手和连续图像相关性入手进行ROI分割。本文通过分析车辆运动信息和摄像机成像模型，在图像中分割出最可能包含道路边缘信息的区域，作为实际的图像处理对象。ROI分割过程不是本文重点介绍内容，处理结果如图2所示。

[2]

需要。具有神经网络优势的支持向量机分类算法适应这种样本分类要求。SVM可根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力（或称泛化能力）。

本文的算法环境是MATLAB，采用工具是由台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的LIBSVM模式识别与回归的软件包。LIBSVM的设置为：图像像素输入为HSV模型下的H、S、V分量[3]；选用高斯径向基核函数（gauss radical basis function, RBF）；SVM参数为交叉验证（Cross Validation）的最优值。其中SVM参数寻优算法介绍如下。

2.1 LIBSVM中参数优化

LIBSVM中的惩罚参数c和核函数参数g的选定对于分类精度有很大影响，本文采

[4]

用交叉验证的方法寻找最优参数。步骤为：（1）从采集的道路图像中选出道路像素信息和非道路像素信息作为训练样本；（2）将样本均分成K份，将其中的一个子集作为

a) t时刻道路原始边缘

验证集，其余的作为训练集；（3）测试一定范围内的每个c和g的分类精度，选取精度最高的一组作为最优参数，算法伪代码如下： start

bestAccuracy=0; bestc=0; bestg=0; %初始化

b) t+ t时刻道路边缘估计及ROI分割 图2 道路边缘检测中ROI分割

for c=2^(cmin):2^(cmax) for g=2^(gmin):2^(gmax) %将c和g分成

网络化进行搜索

2 支持向量机算法分类像素

非结构化道路缺少稳定的道路模型或

车道线，难以用直接的线段检测算法来寻找道路边缘，因而常采用像素分类的思路区别道路与非道路区域，常见的像素分割算法中，最重要的问题是阈值选取。在实际情况下道路环境复杂多变，色差、水迹等干扰使得很难找到确定的阈值以满足精确分割的

for run=1:K %将训练集平分为K组 end

cv=(acc(1)+acc(2)+…+acc(K))/K;

if (cv>bestAccuracy) bestAccuracy=cv; bestc=c;

bestg=g; end end

end

over

参数优化结果如图3所示。

图4 基于ROI的SVM分类结果

3 霍夫变换道路边缘检测

对灰度图像中的曲线提取而言，霍夫变换无疑是较为优秀的处理算法，此处略去霍夫变换的原理及其在MATLAB中的实现，

图3 CV算法参数优化查找结果

从图中可以看出有多组c和g对应最高的验证分类准确率，考虑到过高的c会导致过学习状态的发生，因此尽可能选取较小的

参数，本文最终选c=4，g=4作为最优SVM参数。

主要介绍道路边缘提取时使用霍夫变换的两个细节：

（1） 无论对于直道还是弯道，都用直线拟合道路边缘。其根据是：首先这种精确获取近景的道路信息同时损失远景的道路信息可以满足一般的视觉导航需要；其次简化直线道路模型有利于减少运算量，提高图像处理频率，从而能进一步减少对远景道路信息的依赖。

（2） 根据实际的图像像素，经多次实验选择一定的阈值，合并距离相近的线段，舍弃长度太小的线段，本文设定的阈值为：合并距离小于10 pixel的线段；舍弃长度小于30 pixel的线段[5]。直道和弯道下的霍夫变换检测出的直线段经延长处理后，可得到如图5所示检测结果。

2.2 基于ROI的SVM道路像素分类

在使用SVM进行像素预测和分类的两个准备工作是：完成分类图像的ROI分割和完成SVM网络训练。在LIBSVM环境下的SVM网络训练命令为：

Model=svmtrain(train_label,train_matrix,’-c 4 –g 4 ’)，其中：

train_label：训练集标签； train_matrix：训练集属性； ’-c 4 –g 4 ’：LIBSVM参数；

Model：训练得到的分类模型。 在对一组如图2中的道路图像采样后，

使用训练命令得出分类模型，然后在ROI内进行道路与非道路分类，LIBSVM的分类指令是“svmpredict”。分类时，记道路区域的像素属性为1，非道路区域的像素属性为0。图2的分类结果如图4所示。

(a) 直线道路检测结果

30个案例分析 [M].北京:北京航空航天大学出版社，2010.4

[5] 张德丰，详解MATLAB数字图像处理[M].北京:电子工业出版社，2010.7

(b) 转弯道路检测结果 图5 直线与弯曲道路边缘检测结果

从图中可以看出，基于ROI的SVM分类算法经霍夫变换后可以精确地检测到道路边缘，同时对道路痕迹、阴影、路边树木

等干扰噪声有较好的抑制。用直线段拟合道路边缘的方法对于直线道路环境非常有效，而在弯道环境下容易丢失远景边缘，但总能吻合90%以上边缘，尤其是能匹配对智能导航非常重要的近景边缘。

4 总结

本文采用了车辆运动信息与机器视觉成像模型较为准确地分割出预处理图像的感兴趣区域，在此基础上使用HSV图像模型作为支持向量机分类算法的输入变量，进而实现了非结构道路中的路面与非路面像素分类，最后借助有条件假设的霍夫变换检测道路边缘。算法较为系统地实现了非结构化道路环境的道路检测，存在的问题是更多地关注了算法的准确性和鲁棒性，而对算法的实时性研究较少，在工程应用中需针对具体检测对象进行改进和完善。

参考文献：

[1] 李舜酩，毛建国等，智能车辆发展及其关键技术研究现状[J].2009；28（1）：1-3 [2] 杨杰，非结构化环境下自主导航系统视觉技术研究[D].哈尔滨工程大学博士学位论文，2008.3

[3] 张玉颖，基于梯形模型及支撑向量机的非结构化道路检测[D].复旦大学硕士学位论文，2010.4

[4] 史峰，王小川等，MATLAB神经网络

本文来源：https://www.bwwdw.com/article/0c11.html