基于纹理的复杂环境下道路消失点检测算法

个人博客：wyxogo.top

标题	基于纹理的复杂环境下道路消失点检测算法
年份：	2014 年 6 月
GB/T 7714:	[1]傅重添, 杨健, 路飞飞. 基于纹理的复杂环境下道路消失点检测算法[J]. 计算机应用与软件, 2014(6):292-294.

摘要

在乡村或者越野环境中，道路没有明显的边界和行车线，阻碍了一般视觉道路检测算法的应用。采用计算道路消失点的 方法，提出一种快速的局部适应软投票 FLASV( Fast Local Adaptive Soft Voting) 算法。算法首先采用 Gabor 滤波器计算每个像素点的 纹理方向，然后依据像素点的置信水平决定是否参与投票，最后采用快速局部投票的算法估计消失点的位置。实验结果分析表明，该算法能很好地适应复杂多变的环境，具有较低的时间复杂度和较高的准确性。

研究方法

1. 纹理方向估计

图像纹理分析方法大致分为基于传统的方法，基于纹理模型的方法和基于信号变换的方法。

基于 Gabor 滤波器 的纹理分析法是一种基于信号变换的空域—频域联合分析的方 法，它克服了传统傅里叶方法的不足，能很好地兼顾信号在频率 域和空间域中的分辨能力，具有在空间域和频率域能够同时取 得最优局部化的特性，因而在理论上具有比其他方法更好的纹 理区分能力。

基于多尺度多方向的Gabor滤波器的变换函数表达式为：

$${\psi }_{\omega ,\phi }(x,y)=\frac{\omega }{\sqrt{2\pi }c}{\mathrm{e}}^{\frac{-{\omega }^2\left(4a^2+b^2\right)}{\left(8c^2\right)}}\left({\mathrm{e}}^{\mathrm{i}\mathrm{a}\omega }-{\mathrm{e}}^{\frac{-c^2}{2}}\right)$$

式中，$\omega$和 $\varphi$表示尺度和方向。本文使用 36 个方向，5 个尺度 的 Gabor 滤波器，即$\omega$ = 5，$\varphi$= 36，$a=xcos\varphi +ysin\varphi ，b=－xsin\varphi +ycos\varphi ，c=2.2$。

对图像和 Gabor 滤波器进行卷积操作，令 $I( x，y) $表示图像在点$ (x，y)$ 处的灰度值，卷积操作表示为: ${\zeta }_{\omega ,\varphi }=I\otimes {\psi }_{\omega ,\varphi }$

卷积的结果 ${\zeta }_{\omega ,\varphi }$在点 $z=(x，y)$ 处有两部分: 实部和虚部，定义$R_{\varphi }(z)$为$z$点处某一尺度和方向上的响应值，则: $R_{\varphi }(z)={\mathrm{average}}_{\omega }\left(\mathrm{Re}{\left({\zeta }_{\omega ,\varphi }\right)}^2+\mathrm{lm}{\left({\zeta }_{\omega ,\varphi }\right)}^2\right)$

$R_{\varphi }(z)$的最大值为$z=(x,y)$处的纹理方向$\theta (z)$，其中$\theta (z)=argma{x}_{\varphi }{R}_{\varphi }(z)$

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-fey8koIM-1620400066124)(https://gitee.com/xiaomoon/image/raw/master/Img/image-20210424153813943.png ‘由 Gabor 滤波器得到的纹理方向’)]

覆盖在图像上的线段表示的方向就是该像素 点的纹理方向

2. 置信水平估计

有Gabor方法虽然得到了图像中每个像素点的纹理方向，但不能保证每个方向都是正确的，因此引入当置信水平概念，当置信水平大于一定阈值，则认为是投票点。由于某一像素点有 36 个方向的响应值，令 $r_1(z)＞\dots ＞r_{36}(z)$ 表示响 应值从大到小排序( 显然 $r_1(z)={Ｒ}_{\theta (z)}(z))$ ，像素点 $z=(x，y)$)处 的置信水平定义为：
$$\mathrm{Conf}(z)=1-\frac{\text{ Average }\left(r_5(z),\cdots ,r_{15}(z)\right)}{r_1(z)}$$

实验中，令阈值为$\eta =0.4\times (ma{x}_{z}Conf(z)－mi{n}_{z}Conf(z))$ ，置信水平大于$\eta$的像素点为投票点。

3. 快速局部投票算法

在得到了每个像素点的纹理方向和可信像素之后，就可以通过投票算法来估计消失点的位置。

H.Kong等提出的LASV投票算法如图(a)：对于图像中每一个候选消失点$V$，它的投票区域 $R_V$是以 $V$ 为圆心，半径为 $r=0.3H$( $H$ 是图像的高度) 的下半圆，投票区域中的某一点$P$的纹理方向为 $\overrightarrow{OP}$，若线段$PV$和$P$点纹理方向之间的夹角$\angle (PV,O_p)$ 小于某一个阈 值 $\alpha$，则对 $V$ 点投票，投票过程表示为:

$$ \operatorname{Vote}(P, V)=\left\{\begin{array}{ll} \frac{1}{1+\left[\gamma d(P, V)]^{2}\right.} & \text { if } \gamma \leqslant \frac{5}{1+2 d(P, V)} \\ 0 & \text { otherwise } \end{array}\right. $$

式中，$\gamma$ 表示线段$PV$和 $P$ 点的纹理方向 $\overrightarrow{O_P}$之间的夹角，$d(P,V)$ 表示点 $P$ 和 $V$ 之间的距离。该算法的缺点是时间复杂度高，为 $O(n^3)$ ，主要原因是它将图像中的每一个像素点都作为候选消失点，然后搜索其投票区域$R_V$，并执行投票算法。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-0effMf0A-1620400066127)(https://gitee.com/xiaomoon/image/raw/master/Img/image-20210424161837049.png " ")]

置信水平大于 η 的投票点个数远远小于候选消失点的个 数，可以用投票点来找消失点，这样只需遍历一遍投票点，而不 用搜索整个候选消失点，据此，本文提出了一种快速局部投票算法( FLASV) 。如图 ( b) 所示，对于图像中某一投票点 P，该点 的纹理方向为$\overrightarrow{O_p}$，本文的投票区域$R_V$是以 P点为圆心，半径为 r = 0.3H( H 为图像的高度) ，顶角为 2α 的扇形区域，则点P向 投票区域 ＲV中的所有像素点投票，投票过程表示为:

$$ \operatorname{Vote}(P, V)=\left\{\begin{array}{ll} \exp (-\beta \times d(P, V)) & \text { if } V \in R_{V} \\ 0 & \text { otherwise } \end{array}\right. $$

式中，$d(P,V)$ 表示点 P 和 V 之间的距离，β 表示线段PV和 P 点的纹理方向之间的夹角，根据经验，正常图像中道路消失点的位置不会在图像边缘，故本文对于边缘像素不做处理，

该算法的步骤：

• Step1 构造一个与图像大小一致的矩阵M，矩阵初始化为0;
• Step2 对于每一个投票点 $P(x_0,y_0)$ ，其对应的投票区域 为 $R_V$，对于任意点 $V(x_1,y_1)\in R_V,M(P,V)=M(P,V)+exp(－\beta \times d(P,V))$ ，其中 $\beta =\angle (PV,O_P),d(P,V)=sqrt((x_1－x_0{)}^2+(y_1－y-0{)}^2);$
• Step3 输出矩阵 M 中最大值的位置即为图像中道路消失点的位置

实验与结果分析

• 实验数据集：选取了 575 幅非结构化道路 图片进行验证，图片包括在沙漠、草地、雪地等多种复杂环境，还 包括不同的光照以及车辆、行人等运动物体的干扰。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-CRb1IUWd-1620400066130)(https://gitee.com/xiaomoon/image/raw/master/Img/image-20210424164402455.png “实验效果对比”)]

• 实验配置：操作系统：Windows 7，软件环境：Matlab 2011b，硬件环境为: Intel Core i3 CPU( 2.53GHz) ，DDＲ3-4GB内存，图像大小为 240 × 180。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-AqaRojeA-1620400066132)(https://gitee.com/xiaomoon/image/raw/master/Img/image-20210424164836573.png “算法速度对比”)]

通过实验分析比较，说明该算法不仅能够准确检测到复杂环境下的道路消失点，而且大大降低了算法的时间复杂度