為了驗證雨天路面偵測系統的穩定度以及正確率，因此在本章總共分成三部 分實驗，分別為小雨、中雨、中大雨，其中又包含了不同的道路形狀及場景。本 實驗主要使用的測詴影片是由行車紀錄器架設在車輛內前擋風玻璃後照鏡處所
拍攝，其型號為 Blackvue dr650gw，其拍攝的速率為每秒 30 張 frames。本系統使 用 Microsoft Visual Studio 2010 編譯器，而電腦之硬體配備如表 5.1 所示。
在進行實驗之前，需先定義小雨、中雨、中大雨三種雨勢以及計算路面偵測 的正確率公式。根據中央氣象局的定義指出[交 10]，在 24 小時内降水量不超過 10 毫米稱做小雨，中雨為 10 毫米至 24.9 毫米，中到大雨為 17 毫米至 37.9 毫米，
大雨為 25 毫米至 49.9 毫米。關於偵測路面正確率的計算，本系統透過計算 recall 以及 precision 來表示，如式 5-1-1 以及 5-1-2 所示：
fp tp
tp
Precision (5-1-1)
fn tp
tp
Recall (5-1-2)
其中 tp 為 true positives，代表系統在該張 frame 中逐個像素與 ground truth 比 對後偵測出是路面的像素個數，fn 為 false negatives 代表系統在該張 frame 中逐個 像素與 ground truth 比對後沒偵測出是路面的像素個數以及 fp 為 false positives 代 表系統在該張 frame 中逐個像素與 ground truth 比對後偵測出錯誤路面的像素個 數。計算的方法是將系統偵測出的路面和手動描繪的 ground truth 逐個像素做比 對，得出 tp、fn 與 fp 便可以計算 precision 與 recall。
28
CPU Intel Xeon E3-1230V2 4C8T/8MB/
3.3GHz(Turbo 3.7G) /22nm/L3 8Mb0 主機板 ASUS P8H77-I/miniITX/1A1D1H 記憶體 Kingston DDR3 8G-1600 (*2)
硬碟 WD 2TB 64M/7200RPM/2002FAEX 顯示卡 EVGA GTX660 3G DDR5 SC
在進行雨天路面偵測之前，本研究將先與另一晴天路面偵測系統[Kim11]進行 晴天時的實驗比較。該系統主要透過 log chromaticity space、sensor sharpening matrix transform、Hough transform 以及影像分割技術，在晴天以及車輛稀少的道 路上進行路面偵測。其實驗環境光線充足、車輛稀少、道路兩旁無障礙物以及道 路標線都能清晰可見的情況下，其實驗結果表現良好，但美中不足的是該系統非 常依賴 Hough transform 尋找道路的消失點，一旦消失點預估錯誤則最後的路面偵 測結果將會產生許多誤判。因此本研究針對此點進行改良，透過執行分水嶺影像 分割技術結合 log chromaticity space 來改善誤判的部分。
以下如圖 5.1 所示為晴天直線道路路面偵測結果比較，圖 5.1(a)為晴天輸入影 像，圖 5.1(b)為原作者系統路面偵測結果，圖 5.1(c)為本研究系統路面偵測結果。
從圖 5.1(b)及圖 5.1(c)發現，原作者系統與本研究改良之系統路面偵測結果都表現 非常優異，其 recall 值與 precision 值分別為 0.88、0.873 以及 0.91、0.926。
(a) (b) (c)
圖 5.1 晴天直線道路路面偵測結果比較
(a)晴天拍攝場景輸入影像；(b)原作者系統路面偵測結果；(c)本研究系統路面偵測 結果
29
(a) (b) (c) 圖 5.2 晴天岔路路面偵測結果比較
(a)晴天拍攝場景輸入影像；(b)原作者系統路面偵測結果；(c)本研究系統路面偵測 結果
接著圖 5.2 為晴天岔路路面偵測結果比較，圖 5.2(a)為晴天輸入影像，圖 5.2(b) 為原作者系統路面偵測結果，圖 5.2(c)為本研究系統路面偵測結果。從圖 5.2(b) 發現，原作者系統因為在執行 Hough transform 時會找到錯誤的道路消失點，進一 步影響最後的路面偵測結果產生許多誤判，recall 值為 0.767，precision 值為 0.857。
相對的從圖 5.2(c)可以發現，在路面與非路面的邊界的判斷處理的優於原作者的 偵測結果，其 recall 值為 0.901，precision 值 0.910。
經過上述在晴天的情況下實驗後，本研究依據影片中的道路種類分成兩種路 面分別進行統計 recall 值以及 precision 值，如表 5.2 以及表 5.3。總共實驗的 frames 數為 900 張。其中直線道路佔了 754 張 frames 以及岔路/十字路口佔了 146 張 frames。原作者系統最終的 recall 值為 0.861，precision 值為 0.87，本系統最終的 recall 值為 0.909，precision 值為 0.923。由實驗結果比較可以發現，原作者在岔路 /十字路口正確率較低，因為車輛在岔路以及十字路口進行轉彎時，此時道路並不 會有消失點，因此在使用 Hough transform 找消失點時會發生錯誤，進而造成 recall 值以及 precision 值偏低。
表 5.2 原作者系統晴天路面偵測總表
Sequence Road shape No. of frames Recall Precision 0519sunHough Straight 754 0.880 0.873
Cross/branch 146 0.767 0.857
Total 900 0.861 0.870
表 5.3 本系統晴天路面偵測總表
Sequence Road shape No. of frames Recall Precision 0519sun Straight 754 0.910 0.926
Cross/branch 146 0.901 0.910
Total 900 0.909 0.923
30
實驗一 小雨
實驗一的部分將針對小雨時所面臨的五種道路形狀來做路面偵測的實驗，首 先第一支測詴影片中道路形狀以直線和岔路/十字路口居多，其餘為巷弄與彎曲道 路。其中圖 5.3 為小雨岔路連續路面偵測結果，圖 5.4 為小雨巷弄連續路面偵測 結果以及圖 5.5 為小雨直線道路連續路面偵測結果。
從圖 5.3(a)可以發現車輛正行經十字路口並往左行駛，路面因下著小雨導致 路面的顏色深淺不一並且畫有斑馬紋行人穿越道標線，整體光線充足無太多的干 擾因素。如圖 5.3(b)為手動框選的 ground truth，白色的部分為路面，黑色的部分 為非路面，圖 5.3(c)則為本系統在小雨時的岔路路面偵測結果，綠色部分為路面。
可以發現大部分的路面都有成功的判斷，但由於路面上斑馬紋行人穿越道標線顏 色干擾了初步路面偵測結果而導致部分路面區域未成功判斷，recall 值為 0.829，
precision 值為 0.954。
圖 5.4(a)可以發現在巷弄路段時，路面兩旁則因停滿車輛造成路面標線被阻 擋以及建築物阻擋了光源造成場景陰暗。如圖 5.4(b)為手動框選的 ground truth，
白色的部分為路面，黑色的部分為非路面，圖 5.4(c)則為本系統在小雨時的岔路 路面偵測結果，綠色的部分為路面。其中兩旁車輛輪胎顏色與路面顏色過於相似 因此誤判為路面區域，但整體的道路形狀符合分水嶺演算法中的標記影像，所以 最後的實驗結果 recall 值為 0.915，precision 值為 0.931。
圖 5.5(a)則是行駛在車輛較少的直線道路上，光線充足沒有太多的外在因素 干擾。如圖 5.5(b)為手動框選的 ground truth，白色的部分為路面，黑色的部分為 非路面，圖 5.5(c)則為本系統在小雨時的直線道路路面偵測結果，綠色的部分為 路面。由於分水嶺演算法中標記影像是固定的緣故，因此自身車輛靠左行駛時的 場景與標記影像設計理念稍有出入，導致將道路中央水泥製的安全島被誤判為路 面，recall 值為 0.789，precision 值為 0.904，造成 recall 值偏低但還是有九成的準 確率。
31
(a) (b) (c) 圖 5.3 小雨岔路連續路面偵測結果
(a)小雨拍攝場景輸入影像；(b)ground truth；(c)路面偵測結果
(a) (b) (c) 圖 5.4 小雨巷弄連續路面偵測結果
(a)小雨拍攝場景輸入影像；(b)ground truth；(c)路面偵測結果
32
(a) (b) (c) 圖 5.5 小雨直線道路連續路面偵測結果
(a)小雨拍攝場景輸入影像；(b)ground truth；(c)路面偵測結果
第二支測詴影片中道路形狀包含直線、岔路／十字路、巷弄以及彎曲道路。
其中圖 5.6 為小雨彎曲道路連續路面偵測結果，圖 5.7 為小雨巷弄連續路面偵測 結果以及圖 5.8 為小雨直線道路連續路面偵測結果。
從圖 5.6(a)可以發現車輛正在進入彎道，路面因下著小雨導致路面的顏色深 淺不一，道路左側因樹木遮蔽光線導致整體光線不足。圖 5.6(b)為手動框選的 ground truth，白色的部分為路面，黑色的部分為非路面，圖 5.6(c)則為本系統在 小雨時的彎曲道路路面偵測結果，綠色部分為路面，可以發現大部分的路面以及 路面與非路面的邊界都有成功的判斷，因此在彎曲道路的部分擁有較好的 recall 值為 0.865，precision 值為 0.877。
圖 5.7(a)為行駛在巷弄路段時，場景光線充足，兩旁紅色道路標線清楚。如 圖 5.7(b)為手動框選的 ground truth，白色的部分為路面，黑色的部分為非路面，
圖 5.7(c)則為本系統在小雨時的岔路路面偵測結果，綠色的部分為路面。其中路
33
面區域的區域都被正確的判斷，因整體的道路形狀符合分水嶺演算法中的標記影 像，所以最後 recall 值為 0.934，precision 值為 0.833。
圖 5.8(a)則是行駛在車輛較少的直線道路上，路面兩旁則因停滿車輛造成路 面標線被阻擋以及建築物和樹木阻擋了光源造成場景陰暗。圖 5.8(b)為手動框選 的 ground truth，白色的部分為路面，黑色的部分為非路面，圖 5.8(c)則為本系統 在小雨時的直線道路路面偵測結果，綠色的部分為路面，其中兩旁車輛輪胎顏色 與路面顏色過於相似因此誤判為路面區域，導致 recall 值偏低，但整體的道路形 狀符合分水嶺演算法中的標記影像，所以 recall 值為 0.943，precision 值為 0.864。
另外岔路部分的 recall 值為 0.779，precision 值 0.9。
(a) (b) (c) 圖 5.6 小雨彎曲道路連續路面偵測結果
(a)小雨拍攝場景輸入影像；(b)ground truth；(c)路面偵測結果
34
(a) (b) (c) 圖 5.7 小雨巷弄連續路面偵測結果
(a)小雨拍攝場景輸入影像；(b)ground truth；(c)路面偵測結果
(a) (b) (c) 圖 5.8 小雨直線道路連續路面偵測結果
(a)小雨拍攝場景輸入影像；(b)ground truth；(c)路面偵測結果
35
圖 5.9(a)則是行駛在夜間車輛較多的直線道路上，道路左側因為橋樑的緣故 所以路面左側較為陰暗，道路右側則因為商家營業以及路燈的緣故所以路面右側 較為明亮。圖 5.9(b)為手動框選的 ground truth，白色的部分為路面，黑色的部分 為非路面，圖 5.9(c)則為本系統在夜間小雨時的直線道路路面偵測結果，綠色的 部分為路面。其中因亮與暗之間的反差因此讓路面邊界清楚顯露，並沒有是夜晚 的緣故而難以分辨，但障礙物背光處所形成的陰影會混淆路面邊界的判斷進而影 響路面偵測結果，最後 recall 值為 0.943，precision 值為 0.864。另外岔路部分的 recall 值為 0.779，precision 值 0.9。
圖 5.9 夜間小雨直線道路連續路面偵測結果
(a)夜間小雨拍攝場景輸入影像；(b)ground truth；(c)路面偵測結果 經過上述在小雨的情況下實驗後，本研究細分成五種路面分別進行統計 recall 值以及 precision 值，總共實驗的 frames 數為 2906 張。其中直線道路佔了 1774 張 frames、巷弄佔了 456 張 frames、彎曲道路佔了 353 張 frames 以及岔路／十字 路口佔了 323 張 frames，如表 5.4 所示。最終的 recall 值為 0.87，precision 值為 0.91。由實驗結果可以發現，岔路／十字路口以及巷弄的正確率較低，因為分水 嶺法中給予的標記影像較不適應岔路／十字路口以及正在轉彎的時候，而巷弄則 是因為光源過於薄弱使得非路面區域以及路面區域難以分辨。
36
表 5.4 小雨路面偵測總表
Sequence Road shape No. of frames Recall Precision
0326mix Straight 841 0.789 0.904
Alley 191 0.915 0.931
Cross/branch 217 0.829 0.954
Curve 101 0.920 0.960
0421mix Straight 142 0.943 0.864
Alley 265 0.934 0.833
Cross/branch 106 0.779 0.900
Curve 252 0.865 0.877
Night_rain Straight 791 0.938 0.939
Total 2906 0.870 0.910
37
實驗二 中雨
本實驗二的部分將針對中雨時所面臨的五種道路形狀來做路面偵測的實 驗，首先第一支測詴影片中道路形狀以直線和岔路／十字路口居多，其中也包含 些許巷弄與彎曲道路路段。
從圖 5.10(a)可以發現車輛正在右轉於岔路，整體場景的光線較為陰暗，因為 道路兩旁有高大的建築物遮擋光源，使得路面中央產生較亮的路面，兩旁則是顯
從圖 5.10(a)可以發現車輛正在右轉於岔路，整體場景的光線較為陰暗，因為 道路兩旁有高大的建築物遮擋光源，使得路面中央產生較亮的路面，兩旁則是顯