[论文解读] Non-flat Road Detection Based on A Local Descriptor.

Kangru Wang, Lei Qu+3 more|arXiv (Cornell University)|Sep 27, 2016

Advanced Vision and Imaging参考文献 10被引用 6

一句话总结

本文提出一种基于立体视觉的地面平面检测框架，采用一种新颖的局部差异性描述子，生成差异性纹理图像，从而有效区分地面区域与非平面或多地面平面区域。该方法在该纹理图像上利用卷积神经网络，实现在复杂地形中的鲁棒检测。

ABSTRACT

The detection of road and free space remains challenging for non-flat plane, especially with the varying latitudinal and longitudinal slope or in the case of multi-ground plane. In this paper, we propose a framework of the ground plane detection with stereo vision. The main contribution of this paper is a newly proposed descriptor which is implemented in the disparity image to obtain a disparity texture image. The ground plane regions can be distinguished from their surroundings effectively in the disparity texture image. Because the descriptor is implemented in the local area of the image, it can address well the problem of non-flat plane. And we also present a complete framework to detect the ground plane regions base on the disparity texture image with convolutional neural network architecture.

研究动机与目标

• 解决在具有不同坡度的非平面或多重地面平面环境中进行地面平面检测的挑战。
• 克服传统方法在复杂地形条件下失效的局限性。
• 开发一种局部描述子，以增强差异性图像中的纹理表示，从而提升分割性能。
• 将卷积神经网络与差异性纹理图像结合，以检测地面区域。
• 提供一个完整的端到端框架，实现在真实驾驶场景中对地面平面的鲁棒检测。

提出的方法

• 提出一种新型局部描述子，应用于差异性图像，以生成突出显示地面平面特征的差异性纹理图像。
• 在局部图像区域内应用该描述子，以保留空间细节并适应非平面表面。
• 将差异性纹理图像作为输入，输入至卷积神经网络，以实现对地面平面区域的语义分割。
• 训练CNN以从差异性纹理中学习判别性特征，从而在复杂场景中提高检测精度。
• 设计一个完整流水线，集成立体差异性计算、纹理生成与基于深度学习的分割。
• 通过依赖局部纹理模式而非全局平面假设，确保方法在不同纬向与经向坡度下均具有鲁棒性。

实验结果

研究问题

• RQ1 局部描述子如何提升在非平面或多地面平面环境中的地面平面检测性能？
• RQ2 由新型局部描述子生成的差异性纹理图像，能否增强地面区域的可分性？
• RQ3 当在差异性纹理图像上进行训练时，基于CNN的方法在地面平面分割方面能提升多少性能？
• RQ4 与传统平面拟合技术相比，该方法在不同坡度和复杂地形下的表现如何？

主要发现

• 所提出的局部差异性描述子成功生成了差异性纹理图像，显著增强了地面平面区域的视觉可区分性。
• 差异性纹理图像使在非平面或多地面场景中实现有效的地面平面分割成为可能。
• 基于CNN的框架通过学习差异性图像中的纹理模式，实现了鲁棒的检测性能。
• 由于采用基于局部纹理的分析方法，该方法在不同坡度下的地面平面检测中优于传统方法。
• 将局部描述子与深度学习相结合，为真实世界自动驾驶提供了可扩展且精确的解决方案。