紅外道路圖像的消失點(diǎn)檢測算法

陳澄，任益枚

（1.四川大學(xué)計算機(jī)學(xué)院，成都610065；2.四川大學(xué)信息化建設(shè)與管理辦公室，成都610065）

0 引言

由于熱紅外圖像具有較清晰的夜間可視性，近幾年受到了各個領(lǐng)域的廣泛應(yīng)用，特別是車載紅外的運(yùn)用為駕駛?cè)说囊归g行駛提供了更高的安全保障。同時隨著智能駕駛車輛的快速普及，道路檢測算法也成為了計算機(jī)視覺中一項重要的研究內(nèi)容，常見的道路區(qū)域檢測方法幾乎是基于可見光圖像的，且主要關(guān)注具有明顯道路邊界和車道標(biāo)記的結(jié)構(gòu)化道路[12-13]，但由于紅外道路細(xì)節(jié)缺失，且紋理信息較弱，常規(guī)基于可見光的算法在紅外圖像上表現(xiàn)不佳。所以，提出一種針對紅外道路圖像的道路檢測算法非常重要。消失點(diǎn)作為道路圖像的基本特征，已被廣泛應(yīng)用于道路檢測中，在紅外道路中使用消失點(diǎn)作為約束進(jìn)行檢測可以大幅度提高檢測性能，本文主要關(guān)注從道路圖像中估計消失點(diǎn)。

大多數(shù)現(xiàn)有的消失點(diǎn)檢測算法主要分為四個類別：一是基于空間變換的方法，基于空間變換的方法[1-2]使用空間變換技術(shù)（例如高斯球體映射和級聯(lián)霍夫變換）來檢測消失點(diǎn)；二是基于邊緣的方法[3-4]直接檢測直線特征以找到一組消失點(diǎn)；三是基于區(qū)域的方法[5-6]，搜索相似的全局結(jié)構(gòu)和重復(fù)模式（例如墻壁、門和窗戶）以定義消失點(diǎn)的位置；四是基于紋理的消失點(diǎn)檢測方法，Rasmussen[7]應(yīng)用一組多尺度Gabor 濾波器，選擇具有最大響應(yīng)的濾波器對應(yīng)的方向作為每個像素處的紋理方向，然后，根據(jù)每個點(diǎn)的方向進(jìn)行投票，票數(shù)最高的位置被視為道路的消失點(diǎn)，但該算法更傾向于偏愛圖像上部中的點(diǎn)。為了解決文獻(xiàn)[7]中的硬投票方案的缺點(diǎn)，Kong[8]提出了一種軟投票方案來提高準(zhǔn)確性。Moghadam[9]提出了一種有效的方法來估計紋理占主導(dǎo)地位的方向，只用四個定向濾波器和一個加權(quán)投票方案來檢測消失點(diǎn)，但當(dāng)圖像具有復(fù)雜的道路背景時，這些方法效果不佳。Yang[10]設(shè)計了一種自適應(yīng)紋理描述符WOD，能夠在保留道路線索的同時消除噪聲，但該算法容易收到圖像中如陰影等干擾紋理的影響。

由于可見光圖像較紅外圖像具有更清晰的紋理細(xì)節(jié)，上述算法對于可見光道路圖像的消失點(diǎn)檢測具有較好的效果，但是對于紅外道路圖像而言效果并不好，本文針對紅外圖像紋理不清晰的特點(diǎn)，提出了一種新穎的基于紋理的消失點(diǎn)檢測算法，實(shí)驗結(jié)果表明，本文提出的算法在紅外道路圖像中取得了比較精確的檢測效果。

1 算法實(shí)現(xiàn)

1.1 基于Gabor的紋理方向計算

本文使用Gabor 濾波器計算每個像素的紋理響應(yīng)方向，Gabor 濾波器作為估計局部紋理方向的最佳濾波器之一，可以準(zhǔn)確地估計每個像素的局部主導(dǎo)方向，并且已廣泛應(yīng)用于例如指紋分類與頭發(fā)捕獲等實(shí)際應(yīng)用中[10]。方向φn和徑向頻率為ω的二維k×kGabor 核g為：

其中(x,y)=( 0,0 )代表濾波核中心，a=xcosφn+ysinφn，b=-xsinφn+ycosφn，其中σ和c是常量。

為了估計圖像中每個像素的主導(dǎo)方向，本文使用36 個預(yù)定義方向（0°,5°,…,175°）的一組Gabor 濾波器與圖像進(jìn)行卷積運(yùn)算。Gabor 能量響應(yīng)度Eφn( )p定義為復(fù)數(shù)濾波器響應(yīng)的幅度，如下所示：

1.2 消失點(diǎn)檢測

1.2.1 消失點(diǎn)投票方案

獲取了圖像像素的紋理主方向后，為了減少計算量，本文首先根據(jù)方向響應(yīng)強(qiáng)度對投票區(qū)域進(jìn)行了篩選，將最大方向響應(yīng)強(qiáng)度小于一定閾值的投票像素點(diǎn)定義為弱紋理像素點(diǎn)，該類像素點(diǎn)極有可能出現(xiàn)紋理方向檢測錯誤的情況，對正確消失點(diǎn)的投票過程產(chǎn)生較大干擾，同時還根據(jù)簡單的垂直特征檢測方法剔除掉具有垂直特征的區(qū)域：由于Gabor 算子計算的是像素點(diǎn)的局部紋理響應(yīng)方向，具有離散性，無法判斷區(qū)域內(nèi)是否具有垂直物體，所以為了能夠最大限度的排除掉垂直特征，本文首先使用Canny 邊緣檢測算法對圖像的邊緣進(jìn)行檢測，根據(jù)檢測結(jié)果，遍歷邊緣圖像中的每一個像素點(diǎn)，設(shè)置以該像素點(diǎn)為底邊中心點(diǎn)的一個長方形區(qū)域，該長方形區(qū)域的豎直長度為H，水平寬度為W，若在邊緣圖像中的某一長方形區(qū)域中，邊緣像素點(diǎn)的數(shù)量超過一定閾值，則判斷該區(qū)域為垂直區(qū)域。在剔除掉所有干擾區(qū)域后再構(gòu)建投票區(qū)域。

圖1

1.2.2 基于方向約束的霍夫變換

陰影所造成的紋理干擾主要體現(xiàn)在其會導(dǎo)致圖像中非陰影場景原本的紋理走向改變，在投票時，所投票的直線與車道平行線等直線相交導(dǎo)致產(chǎn)生了局部最大值點(diǎn)，同時，由于紅外圖像的紋理細(xì)節(jié)信息較弱，且在復(fù)雜的街道中，有時不存在明顯的車道平行線等特征，此時若出現(xiàn)強(qiáng)紋理陰影，就會對消失點(diǎn)檢測產(chǎn)生較大影響，最終錯誤消失點(diǎn)的檢測位置往往在陰影區(qū)域與某一車道平行線的交點(diǎn)位置。為了解決這一問題，本文提出了基于方向約束的霍夫變換來協(xié)助檢測正確的消失點(diǎn)位置。

首先，我們認(rèn)為，即使場景中存在較大的紋理干擾導(dǎo)致投票值最大的像素點(diǎn)并不是正確的消失點(diǎn)，但正確的消失點(diǎn)仍會具有較大的投票值，所以，本文首先根據(jù)初步投票結(jié)果選擇出響應(yīng)強(qiáng)度較大的一部分候選消失點(diǎn)，本文的候選消失點(diǎn)選擇標(biāo)準(zhǔn)為：令vote(x,y)表示投票空間坐標(biāo)為(x,y)的像素點(diǎn)的投票值，如果該點(diǎn)的投票值處于所有投票值的前5%，那么就將該點(diǎn)劃為候選消失點(diǎn)，不同圖像的投票空間以及候選消失點(diǎn)集見圖2。

正確消失點(diǎn)往往出現(xiàn)在候選消失點(diǎn)集中，或者候選消失點(diǎn)所關(guān)聯(lián)的直線上，根據(jù)觀察，每一個高投票點(diǎn)都有一條或多條參與為其投票的直線，我們稱這些直線為候選消失點(diǎn)的關(guān)聯(lián)直線，錯誤消失點(diǎn)的關(guān)聯(lián)直線往往出現(xiàn)在陰影等干擾紋理區(qū)域中，該類關(guān)聯(lián)直線的數(shù)量相對而言占少數(shù)，但由于其在投票時與其他高投票直線在相交點(diǎn)位置產(chǎn)生了局部極大值，此類交點(diǎn)票數(shù)高，進(jìn)而導(dǎo)致消失點(diǎn)檢測結(jié)果錯誤?；诜较蚣s束的霍夫變換通過檢測每個候選消失點(diǎn)的關(guān)聯(lián)直線來檢測消失點(diǎn)：首先針對每個候選消失點(diǎn)，計算經(jīng)過該候選消失點(diǎn)的36 個方向的直線中，在直線上且處于有效投票區(qū)域內(nèi)的那部分像素點(diǎn)的數(shù)量，再進(jìn)一步計算這部分像素點(diǎn)中，紋理響應(yīng)方向與該直線方向一致的像素點(diǎn)所占的所有像素點(diǎn)的百分比，我們將該比例定義為T- SOCR（Texture- Straight Orientation Consistency Rate）：

其中Nk表示經(jīng)過候選消失點(diǎn)的36 個方向中第k條直線Lk上所有像素點(diǎn)編號的最大值，也是像素點(diǎn)總數(shù)，θik與orientLk分別表示直線Lk上的第i 個像素點(diǎn)的紋理方向和直線方向，AL 為36 條直線中T-SOCR 值最大的那條直線。

圖2

在候選消失點(diǎn)所在的36 個方向的直線中，若AL＜0.1，則放棄處理該候選消失點(diǎn)，否則，對滿足條件的直線進(jìn)行投票，本文將針對每個候選點(diǎn)，選擇滿足AL＞=0.1 的直線與T-SOCRLk＞=AL*0.8 且T-SOCRLk＞=0.1 的直線定義為該候選消失點(diǎn)的關(guān)聯(lián)直線，并在投票空間內(nèi)，對該關(guān)聯(lián)直線進(jìn)行投票：本文采用基于TSOCR 的投票方案，對于T-SOCR 較小的直線，該直線可能并非是圖像場景中真實(shí)存在的直線特征，直線上的像素點(diǎn)的投票值就較低，對于T-SOCR 較大的直線，該類直線極有可能是場景中真實(shí)存在的直線，如車道線、道路邊緣線等與消失點(diǎn)緊密相關(guān)的直線，該類直線上的像素點(diǎn)就會獲得較高投票值。最終選擇投票值最多的兩條關(guān)聯(lián)直線之間的交點(diǎn)作為消失點(diǎn)。圖3 為不同圖像中得票數(shù)最多的兩條關(guān)聯(lián)直線。

圖3 不同道路消失點(diǎn)的關(guān)聯(lián)直線

傳統(tǒng)的霍夫變換的直線檢測策略是找到一條或多條直線，這些直線上的點(diǎn)的數(shù)量超過預(yù)先設(shè)定的閾值，但傳統(tǒng)霍夫變換在實(shí)際應(yīng)用中并不關(guān)注該類點(diǎn)組成的直線是否是在真實(shí)場景中存在的直線，為了保證直線檢測的準(zhǔn)確性，我們在傳統(tǒng)消失點(diǎn)檢測算法中加入方向約束，基于方向約束的霍夫變換避免了傳統(tǒng)霍夫變換中會出現(xiàn)的檢測出場景中原本不存在直線的錯誤情況。

2 實(shí)驗結(jié)果與分析

2.1 定性分析

本文采用250 張紅外道路圖像進(jìn)行實(shí)驗，并手動標(biāo)定了數(shù)據(jù)集中圖像的消失點(diǎn)的準(zhǔn)確位置。下圖展示了3 種不同的方法在圖片上的部分檢測結(jié)果，圖片均為紅外道路，且環(huán)境較為復(fù)雜。綠色加號表示標(biāo)定消失點(diǎn)位置，紅色加號為本文算法檢測結(jié)果，粉色加號為Yang[10]方法，藍(lán)色加號為Kong[8]方法。

由圖4 可以看出，雖然在一些道路線索較為明顯的圖像中，三種算法并沒有顯著的差別，且均能較為準(zhǔn)確地檢測出消失點(diǎn)的位置，但在具有明顯陰影干擾或道路標(biāo)志線不明顯的道路上，本文的方法相較于另外兩種方法都更能準(zhǔn)確地檢測出消失點(diǎn)的位置。

圖4 實(shí)驗結(jié)果

2.2 定量分析

為了評估本文提出的消失點(diǎn)檢測算法在數(shù)據(jù)集里的整體表現(xiàn)，本文采用歸一化歐氏距離[11]來量化檢測出的消失點(diǎn)與標(biāo)定消失點(diǎn)之間的距離誤差，如下：

其中M 表示數(shù)據(jù)集中圖像總數(shù)量，表1 為三種不同算法的評估結(jié)果。

表1

綜合定性分析和定量分析結(jié)果可知，本文方法的檢測結(jié)果距離誤差最小，檢測效果明顯比Kong 方法和Yang 方法更佳，能夠更加精確地檢測出紅外道路的消失點(diǎn)位置，且在具有陰影等干擾紋理和道路標(biāo)志線等道路特征不明顯的情況下，也具有較好的效果。

3 結(jié)語

本文使用Gabor 濾波和基于方向約束的霍夫變換來檢測紅外道路圖像的消失點(diǎn)。首先經(jīng)紋理方向投票后對投票區(qū)域進(jìn)行了篩選，一定程度上避免了干擾紋理區(qū)域造成的影響。然后，本文根據(jù)投票結(jié)果，使用基于方向約束的霍夫變化從候選消失點(diǎn)集中尋找關(guān)聯(lián)直線，通過關(guān)聯(lián)直線的交點(diǎn)定位了消失點(diǎn)的位置，本文算法在具有陰影等干擾紋理以及道路標(biāo)志線不明顯的情況下也能較準(zhǔn)確地檢測出消失點(diǎn)位置，有效提高了消失點(diǎn)檢測的精度，能夠很好地適用于紅外道路圖像的消失點(diǎn)檢測。