摘 要： 鉴于室外自主移动机器人视觉导航的应用需求，提出一种提高非结构化道路跟踪准确性和鲁棒性的算法。首先，利用局部二值模式LBP的纹理特征和颜色特征建立道路区域的H-S-LBP特征模型，利用特征模型对视频序列图像进行反向投影，将图像分割为道路区域和背景区域。同时，采用卡尔曼滤波器更新道路特征模型。通过反向投影与特征模型更新的交替完成，实现非结构化道路跟踪。实际应用表明，提出的算法能够准确跟踪视频图像中道路区域，对复杂多变的室外环境适应性较强，道路边缘处区分度较高，满足实时性要求。
关键词： 非结构化道路；局部二值模式；HSV颜色空间；反向投影；道路跟踪

　非结构化道路识别与跟踪是室外自主移动机器人视觉导航的研究热点之一，解决该问题有利于机器人实现自主导航。室外环境道路分为结构化道路和非结构化道路，非结构化道路一般不具备明显车道线、路面不均匀、道路边缘模糊且形状不规则，如校园道路和乡村小路，因此对非结构化道路的识别与跟踪比较困难，仍处于研究阶段。
　非结构化道路识别与跟踪算法通常包括：基于道路特征的算法[1-2]、基于神经网络的算法[3]和基于道路模型的算法[4-5]等。基于道路特征的算法通过构建道路区域和非道路区域灰度、彩色、纹理等特征模型，利用相似性度量准则匹配这些特征，将视频序列图像分割为道路区域和背景区域。其优点是无需训练大量先验样本，假设道路模型，对道路形状不敏感等，但却极易受到室外多变的光照条件影响。室外环境中，道路区域和非道路区域最直观的区别在于颜色信息的不同，因此道路颜色特征常用于非结构化道路检测与跟踪。由于RGB颜色模型对光照变化较敏感，通常需要对RGB颜色信息进行转化，增强颜色特征模型对光照条件变化的鲁棒性，如叶伟龙等利用RGB颜色空间构建的c1c2c3颜色模型[6]，TAN C等构建的均衡R-G颜色模型[7]。
纹理是一种反映图像中小块区域像素灰度级的空间分布属性，通常不依赖于颜色和亮度的变化，是一种较稳定的图像特征。与颜色模型一样，都属于点样本估计方式，能够相互融合。并且LBP纹理特征具有尺度不变性和旋转不变性，能够鲁棒地表征物体表面纹理特征，其计算复杂度低，易于实现。近年来，随着融合LBP纹理特征与颜色特征研究的深入，将多特征模型与MeanShift算法结合成功应用于人脸跟踪、视频目标跟踪等，克服了单一特征使跟踪结果鲁棒性和准确性差等现象[8-9]。
　本文以视觉传感器获取的实时道路图像为研究对象，针对道路的纹理和彩色特征提出了一种基于特征模型的非结构化道路跟踪算法。首先对视频序列图像预处理，在第一帧图像中采集道路区域样本图像，提取LBP纹理特征和颜色特征，建立特征模型。通过特征模型与视频序列图像的一一映射，生成反向投影图，用于道路区域提取。利用道路历史特征模型与当前跟踪结果的观测特征模型进行卡尔曼滤波，更新道路特征模型，实现道路区域跟踪。
1 非结构化道路跟踪系统总体框架
　图1为非结构化道路跟踪系统的总体框架，主要包括样本特征提取、特征模型建立、反向投影和模型更新四部分。通过提取视频序列第一帧图像中道路区域的特征，建立初始特征模型，为系统提供前向输入，并将实时跟踪结果反馈到历史特征模型中，交替地更新特征模型和提取视频流中道路区域。