第二章 文獻探討
由於較少研究者針對雨天偵測路面系統進行開發與研究，因此本章之文獻探 討首先探討在晴天時路面偵測系統使用的特徵與技術，再探討現今對於特殊氣候 及路況的路面偵測相關技術發展，並分析其優缺點，以便為雨天的路面偵測建立 穩固的研究基礎。因此本研究文獻探討的部分，分為晴天與雨天路況來討論路面 偵測系統使用的特徵與技術。本章中第一節將針對在晴天時路面偵測使用的特徵 與技術作討論並詳細說明。另外，為了克服在環境中偵測路面時遇到的困難與變 因，因此第二節將探討特殊氣候及路況的路面偵測特徵與方法。
第一節 晴天路面偵測技術分析
由於駕駛車輛安全性問題，駕駛輔助系統相關技術在距今約二十多年前開始 被重視與開發，透過攝影機架設在車輛內以視覺式的方式分析車輛前方道路的狀 況來輔助駕駛人。其中路面偵測技術在先進駕駛輔助系統中扮演重要的角色，因 為該技術不僅能提供正確的路面區域、道路形狀及標線位置，還能將諸多前方道 路資訊提供給其他的駕駛輔助系統使用。以下表 2.1 為早期與近年正常氣候與特 殊氣候及路況的路面偵測使用的特徵與技術，接下來將依序做更深入地探討。
經 Yenikaya 等人[Yen13]觀察發現幾乎所有偵測路面的文獻，都會透過邊緣 偵測技術讓系統得知影像中何處是正確的路面區域，以便進行路面顏色特徵擷取 並執行路面偵測。在表 2.1 中，He 等人[He04]則先將前方道路進行鳥瞰圖轉換後 再進行邊緣偵測以得到路面邊界標線，讓系統得知路面區域。另一方面為了讓系 統能適應遇到彎曲道路的情況，便利用事先建立的曲線模型偵測出較相近的彎曲 路面邊界標線。所以在已知路面邊界標線的情況下，便能針對路面擷取顏色特徵 然後進行路面偵測。此研究先利用鳥瞰圖轉換和邊緣偵測技術獲得路面邊界標線 後，進而得知路面區域並擷取路面顏色特徵。但是此方法相當依賴於鳥瞰圖轉換 與邊緣偵測的結果，若在路面有複雜光影變化或前方有多台車輛時容易有誤判的 情形發生。
9
表 2.1 近年路面偵測使用技術
Work Preprocess Feature Extraction
No preprocess Color of multivariate
Canny edge detection
Two parallel lines
Not robust in occluded roads Wang et al.
[2008]
No preprocess RGB histogram for OTSU
Canny edge detection
No model Not robust in occluded roads Alvarez et operator and Hough transform
No model Not robust in every road shape
Yenikaya et al. [2013]
No preprocess RGB and image segmentation
Sobel operator and Hough
10
因此 Alvarez 等人[Alv11]在 PLN assumption[Fin04]的情況下，規律地以每 5 張 frame 的頻率擷取自身車道前方路面數塊 ROI(假設擷取的 ROI 必定是路面)，
將這些 ROI 中各像素的 RGB 值轉換至 log chromaticity space(將 R 除以 G 取 log 做為 x 軸以及將 B 除以 G 取 log 做為 y 軸)。接著便投影至某特定角度的直線上以 得到路面相對應的區間，其中最佳角度的擷取方法則是將 log chromaticity space 中的點從 0 度至 180 度的直線都分別做投影，並算出投影後的亂度值，最後取其 使亂度值最小的角度當作投影角度。因此要判定影像中某像素是否為路面，只需 將該像素的 RGB 值轉換至 log chromaticity space 中然後投影至特定角度的直線 上，若投影後位於路面相對應的區間內，則代表該像素屬於路面。此研究的優點 在於不需邊緣偵測技術的輔助就能偵測完美的路面，對於陽光造成陰影變化的各 路面皆能順利的判別，而且不受道路形狀的限制。缺點為無法將過度曝光時的路 面判別正確以及擷取 ROI 時有可能會擷取到非路面區域導致路面顏色特徵擷取 錯誤。
從以上的文獻可以發現，邊緣偵測技術對於找出路面位置有莫大的幫助，但 是一旦道路標線或路面邊界模糊不清時，便無法達到效果。因此本研究將使用上 述所提到的 log chromaticity space，並找出投影最佳角度來進行路面偵測。但是由 於本研究需在雨天中進行路面偵測，因此必頇對 log chromaticity space 加以改良 並加入其他特徵輔助，成為適合本系統於雨天的情況下進行路面偵測。
第二節 雨天路面偵測使用特徵與方法
近年來，基於穩定氣候的路面偵測相關技術發展及文獻發表越來越多，但是 從中便發現，對於在雨天及複雜場景中偵測路面所遇到的困難並無太多著墨與探 討。由於在上一節已經確定使用 log chromaticity space 初步解決陽光造成的陰影 變化進而改變路面顏色的問題，因此本節將著重探討能抵抗因雨天而造成諸多干 擾的特徵。
Wang 等人[Wan08]首先擷取影像中一塊必定是路面的 ROI 後，統計該 ROI 中各個像素其 RGB 值三者中何者最大並累積次數，累積次數最多者便能合理的認 為該 ROI 的色彩較偏向該通道的顏色。依據累積次數最多的通道將原圖轉換至該 通道的單通道影像，接著使用 OTSU 演算法找出在該通道中適合的閥值，其目的
11
是為了將影像初步的分為路面及非路面。然而此方法會將相似顏色的非路面區域 也一併誤判，無法找出明顯的路面邊界，所以接著對原圖進行 Canny operator 邊 緣偵測技術結合 OTSU 演算法將明顯的邊緣留下，最後再使用 Hough transform 便 可以找出的路面邊界進而得知正確的路面區域。此研究的優點是能透過簡單的概 念，快速的將影像分為路面以及非路面，即使是被雨水淋濕的路面也能初步大範 圍的分類成功。但缺點是因為此研究的實驗場景色調單一而且無冗餘的障礙物干 擾，例如：樹木、車輛、行人及電線杆等，才使得初始的影像分割以及邊緣偵測 技術有好的效果。一旦路面上的雨水映射了旁邊複雜的街景，眾多複雜的顏色將 會嚴重干擾初步的影像分割結果。
Kim 等人[Kim11]則利用上一節所提及的 log chromaticity space 先將路面做初 步 的 偵 測 ， 為 了 去 除 誤 判 的 區 域 ， 因 此 再 對 原 圖 進 行 影 像 分 割 以 及 使 用 Sobel-Hough 技術找出路面邊界，利用這兩種技術與初步偵測結果互相結合來增 進路面偵測的正確率。其優點是對於標線明顯、景色單一的道路可以有很高的正 確率，但缺點為此研究在影像分割時分成太多小區塊，若初步偵測結果沒有達到 一定的正確率，那麼將無法發揮影像分割技術的優點，而且最終路面偵測結果也 會不理想。
最後在 Yenikaya 等人[Yen13]統整近年來的路面偵測文獻後，觀察出可以將 路面顏色特徵、邊緣特徵及影像分割技術做結合，互相輔助以解決如圖 2.1(a)(b)(c) 因下雨的緣故造成路面顏色混亂、道路標線及路面邊界被遮擋的問題。概略流程 如下：首先利用路面顏色的資訊對原圖進行影像分割，將路面做初步的偵測，因 考慮路面會受眾多光影變化的干擾，所以利用 Sobel-Hough 技術將偵測到的邊緣 資訊結合影像分割後的結果，以移除誤判的區域。為了適應標線偶爾會因障礙物 而被阻擋，所以使用了 least median squares(LMS)技術來預測被遮擋住的標線位 置。
綜合上述針對雨天路面偵測技術的探討，本研究將透過整合路面顏色特徵與 影像分割技術，利用鄰近的像素應擁有相似顏色的特性，將其分類為同一區塊，
針對路面因雨水而映射路旁街景導致讓路面色彩變得複雜、道路與非道路之間的
12
(a)左側道路標線被阻擋 (b)路面映射反光和路樹 (c)路面映射反光和街景 圖 2.1 不同的雨天道路場景[Yen13]
邊界難以分辨、車輛阻擋道路與非道路之間的邊界及道路形狀的問題來解決，以 期透過影像分割技術能輔助並提高雨天路面偵測的正確率。
13