用于低清晰度视频流中的路面识别的装置和方法
【技术领域】
[0001] 本发明涉及一种用于低清晰度视频流中的路面识别的装置和方法，可W用于低清 晰度视频流特别是野外环境下的路面识别，并且改进了V/U视差图线段拟合的精确度。
【背景技术】
[0002] 无人汽车通常具有认知行驶环境和自动驾驶功能。其中可行路面区域检测是认知 行驶环境功能中的一个重要组成部分。路面信息采集仪器中摄像设备采集的数据信息远比 测距传感器采集的数据信息更为准确可靠，其图像信息覆盖范围更大。
[0003] 基于摄像头信息的路面检测通常利用简单二维图像数据（包括颜色、轮廓等信 息）进行路面检测，此类方法对于有明显路标等特征的结构化路面的检测比较有效，此时 该问题被直接转化为车道线和道路边界的识别。而对于非结构化的路面，例如野外环境，很 难单纯从颜色或者轮廓分割出路面。
[0004] 在立体视觉系统中除了可W运用到上述的方法进行路面检测，特别是对于野外 路面的检测，更多的是利用H维数据（视差图、点云图等），目前的方法大体可分为主平 面分析法、区域生长法W及直方图分析法。主平面分析法只适用于行驶环境为单一平坦 路面的情况。区域生长法需要整体H维重建，不适合实时检测。直方图分析法即V视差 (Vertica^disparity)法，常被用为检测路面并可检测出路面上的障碍物。
[0005]在 2002 年由Ra地aelL油ayrade发表的题为《RealTimeObstacleDetectionin Stereovisiononnon-flatRoadGeometrythroughV-disparityRepresentation》论 文中提出了V视差算法；根据该理论，随后2005年化encheng化等人发表的《AComplete U-V-DisparityStudyforStereoVisionBasedSDDrivingEnvironmentAnalysis》提 到了U视差算法。该两种算法结合可W用于检测周边环境识别上存在的障碍物W及路面情 况。算法的应用实现需要生成一副V视差图和一副U视差图。V视差图生成准则如下：世界 坐标系中的点P(x，y，z)T在双目摄像头系统中的左图像坐标系中的投影坐标为（ui，Cl)，在 右图像坐标系中的投影坐标为（Uf，Vt)。计算左图所有像素相对右图关联点的水平视差AP =Ui-Uf，并W每个像素点的视差作为该点对应的新灰度值，可得到视差图像（Ui，Vi，A巧。 然后累加视差图像每一行上具有相同水平视差的像素个数count。，并W(AP，Ci)为新的像 素坐标，Wcount。为对应于该像素的灰度值，该样就形成了一幅宽度是最大视差值、高度和 原图像一致的新图像叫V视差图。而U视差生成准则为；累加视差图像每一列上具有相同 水平视差的像素个数count。，并W(Ui，A巧
[0006] 为新的像素坐标，Wcount。为对应于该像素的灰度值，该样就形成了一幅高度是 最大视差值、宽度和原图像一致的新图像。该算法的原理是把四周环境分割成水平平面、垂 直平面和其他平面。垂直地面障碍物，例如行人、车辆、树木等，可W近似表示为垂直平面； 倾斜平面，如斜坡、凹地等，可W近似为倾斜平面；车体所在大地平面被近似为水平平面。如 果世界坐标系中大地平面是平坦的，则在V视差图中表现为单独的一条线段，如果是分段 平坦，则表现为折线。在得到路面映射线段（或折线）后，就知道了视差图中每一行属于路 面的视差值。而在u视差图中障碍物在图中表现为线段，当障碍物倾斜角足够小时，线段的 长短代表障碍物的横向尺寸，线段越靠下方表明障碍物距离越近，线段的纵坐标位置表明 障碍物在视场范围中的左右位置。
[0007] 但是传统V/U视差算法在实际应用时存在一定的局限性。首先当车行驶于较差路 况特别是野外环境时，车体颠簾造成摄像头本身有不容忽视的转动角度，该就造成了合成 的视差图存在大量错误点，并且V/U视差图比平稳路况时的备选映射线段要粗。如果此时 选择的车载摄像头性能较差采集的视频流像素较低，该更会导致无法获得较精细的V/U视 差图，导致无法准确检测路面范围。而且驾驶辅助系统需要实时处理，一般因为系统性能无 法在实时的前提下得到稠密视差图。另一方面在传统V/U视差算法中采用哈夫Otou曲）变 换等直线拟合方法来拟合路面映射线段和障碍物映射线段，但是该些方法本身就对噪音非 常敏感，不能很好的处理备选映射线段较粗的U/V视差图。第H，在V视差图中一些形状较 小或纹理较少的障碍物很有可能被误认为路面映射线段或者噪音。
【发明内容】
[0008] 为了克服现有技术的问题，提出了本发明。本发明的目的是提出一种用于低清晰 度视频流中的路面识别的装置和方法，可W用于低清晰度视频流特别是野外环境下的路而 识别，并且改进了V/U视差图线段拟合的精确度。
[0009] 根据本发明，提出了一种用于低清晰度视频流中的路面识别的装置，包括；具有双 目摄像头系统的路面信息采集装置，利用双目摄像头系统对车辆的前方路面进行拍摄W采 集前方路面视频信息；W及路面或障碍物区域检测装置，将路面信息采集装置所采集的前 方路面视频信息转化为视差图，将所述视差图转化为一系列子V视差图和U视差图，对各个 子V视差图和U视差图采用自适应哈夫变换进行自适应线段拟合，在各子V视差图拟合出 路面加障碍物映射线段，并根据拟合出的路面加障碍物映射线段得到路面加障碍物区域的 范围，在U视差图拟合出障碍物映射线段，并根据拟合出的障碍物映射线段得到障碍物区 域的范围。
[0010] 优选地，所述自适应哈夫变换通过预处理方式去除噪声，并采用哈夫空间拟合得 到拟合线段参数，然后根据拟合线段参数对含有相同参数的线段进行特征聚类，并输出聚 类后的线段群数据，从而消除低清晰度视频流产生的中间数据子V视差图或U视差图噪音。
[0011] 优选地，利用所得到的路面加障碍物区域的范围和障碍物区域的范围，得到纯路 面区域的范围。
[0012] 优选地，根据所得到的纯路面区域的范围，结合采集的所述双目摄像头系统的摄 像头相关参数、W及车体数据采集装置采集的车体数据，对当前路面是否为坑型路面或者 坡型路面、W及当前路面是否为可行路面进行判断。
[0013] 优选地，所述车体数据包括车辆宽度、车辆的底盘高度、W及车辆的最大可爬行坡 度。
[0014] 优选地，利用小于或等于与所述车体数据采集装置所采集的所述车辆宽度在最远 端路面位置处的图像中相对应的尺寸的窗长的移动窗口，将所述视差图重新分割为一系列 子V视差图，对各个子V视差图采用自适应哈夫变换进行自适应线段拟合，拟合出路面映射 线段，根据各子V视差图中的所述路面映射线段的端点参数信息、W及所述摄像头信息采 集装置所采集的摄像头相关参数，来确定与该子V视差图中的所述路面映射线段相对应的 路面是否为坑型路面或者坡型路面，如果为坑型路面，则计算该坑型路面的可视坑深，如果 为坡型路面，则计算该坡型路面的可视坡度，通过将计算出的坑型路面