文 献 综 述
摘要：本文介绍了道路检测问题的在自动驾驶系统的应用中的研究背景和意义。对道路检测的基本方法进行了介绍，包括消失点检测，依据消失点对道路进行分割。并且分析了目前的道路检测算法的优势和缺点，分别针对消失点检测和道路检测两个环节提出了相应的改进思路，描述了加入多谱相机的可行性和必要性。
关键词：道路检测，消失点检测，多谱相机，Dijkstra模型，Gabor算子，软投票
一、研究背景
随着计算能力的提高和人们对于计算机领域的研究深入，计算机可以逐渐代替人类完成各种复杂的任务。与此同时，人工智能和模式识别方向的进展让自动驾驶的可行性得到了显著的提升。其中，自动驾驶系统的一个核心问题是如何让计算机通过分析准确的识别道路 [1]，同时道路检测技术是辅助驾驶、无人驾驶技术中的关键部分，能够为司机或者车辆的驾驶决策部分提供必要的道路环境信息。作为计算机视觉的一个重要问题，道路检测除了可以辅助自动驾驶，还可以对车辆碰撞进行预警，为行人通过的十字路口做出预判，来保障行人的安全。
二、研究现状
在基于图像的道路检测问题被人们广泛关注的情况下，针对道路检测这一问题，首先我们需要考虑待检测的道路的情况。目前，大部分的道路检测算法处理的是城市中有清晰边缘线的结构化道路，如日常通勤时城市中的马路，或者城际高速公路。然而，在现实生活里，还有一类图片是非结构化的图片，这一类图片道路的边缘比较模糊，和背景通常难以区分，这一类道路通常出现在乡村和野外地区，例如在DARPA Grand Challenge中，参赛者就需要在道路背景复杂的场景下实现自动驾驶的任务[2]。除了复杂的环境背景，天气因素和光照条件对于道路的检测同样会造成影响。对于背景单一的结构化道路的道路检测算法，通常使用三通道图像，霍夫变换[3][4] 方向可调滤波 [5], [6], 和样条模型[7], [8], [9]等方法进行分割，但是由于这类方法对边缘信息的依赖过强，很难迁移到非结构化道路上。
由于道路环境的复杂多变，道路检测的结果易于受到光线、水渍、阴影、障碍物等因素的影响。在非结构化的道路上，往往缺乏车道线等结构化信息，对于拥堵的城市道路以及郊区的公路，结构化信息往往被遮挡或者时断时续模糊不清。因此,针对复杂场景下的道路检测算法成为现在研究的热点。实现对非结构化道路的检测，基于消失点检测的道路检测算法会有更高的性能[10]。
非结构化道路没有清晰的路标或是道路边缘，Alon结合了基于Adaboost的区域分割边缘，通过几何投影约束检测“可驾驶的”道路区域[11]。然而这需要很多种不同的道路信息来训练区域分类器，这项工作的工作量是繁重的。反向光流技术[12]提供了一种道路区域的自适应分割方法，但当相机不稳定时，这个方法在混乱的道路上不能正常工作，并且光流的估计不够稳定。同时，双目相机[13][14]也同样被使用于确定区域的可通行性。当区域的在道路和非道路区域颜色差别很细微时，这些方法很难以准确的区分开道路区域。一个关键的道路性质是道路的纹理特征，相关的方法[15][16][17]尝试去定义道路可通行区域的纹理特征。他们计算了每个像素的纹理，通过投票来确定消失点，最后使用颜色信息确定道路边缘。
目前，通常使用的基于视觉的道路检测方法可以分解为两个部分：首先根据图像找到消失点的位置，接着依据找到的消失点实现对道路的分割。依照这样的思路，道路检测算法可以大致分为消失点检测和道路分割两个部分。
