第一節 系統目的
本論文所提出之雨天路面偵測系統，目的在於能夠在雨天時克服因雨天而產 生的路面反光、路面上映射街景的色彩以及自身車輛前擋風玻璃上受雨滴和雨刷 遮擋拍攝鏡頭等諸多干擾偵測路面，以期未來能對駕駛輔助系統和自動駕駛系統 帶來幫助。本研究主要將攝影機架設於車內前擋風玻璃上後照鏡處拍攝前方道 路，利用偵測路面技術的開發，將路面與非路面的區域做區分。
第二節 研究環境與設備
本系統架設與實驗環境如圖 3.1 所示，為攝影機在車內的架設位置及實際拍 攝畫面，圖 3.1(a)為本研究拍攝之攝影機，型號為
Blackvue dr650gw，圖 3.1(b)則
是展示攝影機架設於車內的前擋風玻璃正中央位置處往前方道路拍攝，圖 3.1(c) 則為 雨天時在雙向單線道的實際拍攝畫面，其中擋風玻璃上散布了些許的
(a)本系統所用攝影機 (b)攝影機架設位置
(c)雨天實際拍攝之場景之一 (d)雨天實際拍攝之場景之二 圖 3.1 實際設備架設圖及雨天實際場景拍攝圖
14
雨滴干擾拍攝以及路面上映射了路旁的樹木、陰影及反光。圖 3.1(d)則為雨天時 在高速公路的實際拍攝畫面，其中可以看到因雨刷啟動的緣故而干擾拍攝以及因 路面上有著些微的積水而濺起的水花。
第三節 系統流程
雨天路面偵測系統之流程如圖 3.2 所示，主要分為三個重要的步驟，分別為 road feature extraction、watershed segmentation 及 road detection，前兩個步驟中又
Sequence input
Road detection
Output Log-chromaticity space
transformation Road feature extraction
RGB value calculation
Sensor sharpening matrix transformation
Projection and thresholding
Watershed segmentation
Access marker image information
4-connected components and labeling
Segments drawing ROI extraction and
validation?
No
Yes
圖 3.2 雨天路面偵測系統流程圖
15
分為數個步驟，以下將詳細解說之。當系統啟動後會先進入 ROI extraction and validation 的判斷，其中 ROI extraction 的部分系統會固定擷取影像中一塊長方形 的 ROI(region of interest)，而該 ROI 則位於影像中的下半部分，其原因為該位置 有很大的機率是車輛前方的路面區域。而 ROI validation 則指系統會先算出該 ROI 中顏 色的變異 數 ， 若 低於某 特定閥值才 會 被判定為路面並進 入 RGB value operation。
進入 RGB value operation 後，將 ROI 切割成等份的 N 塊子區域，每個子區域 中計算出(1)最大的 R、G 及 B 值(maxR、maxG、maxB)、(2)最小的 R、G 及 B 值 (minR、minG、minB)、(3)帄均的 R、G 及 B 值(meanR、meanG、meanB)以及(4) 中位數的 R、G 及 B 值(medianR、medianG、medianB)，將這些值組成一個大小為 4N×3 的矩陣稱為 P 矩陣，如式 3-1-1。
接著進入 log chromaticity space transformation 步驟，將上述 P 矩陣 column 放 置 R、G、B 的部分全部轉換成 log(R/G)與 log(B/G)，於是形成了一個大小為 4N×2
16
(a)雨天路面 ROI (b)相對應之 log chromaticity space 圖 3.3 雨天路面 ROI 及相對應的 log chromaticity space
然後將 log(R/G)視為 X 軸以及 log(B/G)視為 Y 軸，把每列的值描點至 log chromaticity space 中觀察。發現這些點的整體分佈狀況呈現散亂，沒有一致的方 向性，如圖 3.3(b)所示為圖 3.3(a)雨天路面擷取之 ROI 轉換至 log chromaticity space 的結果。為了讓點形成較理想整齊的分佈，因此本研究參照了 Kim 等人[Kim11]
的作法，將尚未轉換至 log chromaticity space 的 P 矩陣進行 sensor sharpening matrix transform。
Sensor sharpening matrix transform 的目的是讓 P 矩陣乘上一個大小為 3×3 稱 做 M 的 sensor sharpening 方陣，使得 P 矩陣轉換至 log chromaticity space 中的點 分佈能具有更一致的方向性且更能集中於一條線上，以便下一個步驟的進行。關 於 sensor sharpening matrix transform 中各個子步驟的作法會在論文第四章有更詳 細的介紹。
接著進入 road feature extraction 的最後一個步驟 projection and thresholding 步 驟，利用上一個步驟計算得到的 M 矩陣以及投影角度後便可以開始進行投影並算 出投影完後的帄均點，以此帄均點為準加減某個正的常數，作為該色度的投影區 間，將投影後位在此區間的點視為同一類。
總而言之，在系統一開始時必頇先確定擷取的 ROI 是路面區域，接著才將該 ROI 進行 road feature extraction，透過執行 log chromaticity space、sensor sharpening matrix transform 及 projection and thresholding 各步驟後便可以將整張影像與 ROI 具有相似顏色的像素視為同一類，即可完成初步的路面偵測。其優點是可以將因 陽光而造成路面產生深淺不一的陰影路面，透過以上的步驟後可以將這些顏色正
-0.5 0 0.5 1
-0.4 -0.2 0 0.2
Before sensor sharpening matrix transform
17
確的判別為路面區域。但由於雨天的路面會映射路旁的街景使得路面顏色混雜，
導致初步的路面偵測結果產生了些許的誤判，因此利用將原圖執行 watershed segmentation 的步驟與初步路面偵測做整合，最後則可以輸出雨天路面最終偵測 結果，並將系統判斷為路面的區域塗成綠色。其中 watershed segmentation 的詳細 步驟將於第四章詳細介紹。
18