[论文解读] Road Detection by One-Class Color Classification: Dataset and Experiments

José M. Alvarez, Theo Gevers+1 more|arXiv (Cornell University)|Dec 11, 2014

Autonomous Vehicle Technology and Safety参考文献 14被引用 7

一句话总结

本文提出了一种基于新型数据集的单类颜色分类方法，用于实时道路检测。该数据集包含755张在不同光照和天气条件下手动标注的道路图像。研究评估了19种颜色表示方式与17种单类分类器，发现基于H和S颜色平面的鲁棒化高斯模型在准确率上表现最佳，优于单一颜色或亮度基表示方式。

ABSTRACT

Detecting traversable road areas ahead a moving vehicle is a key process for modern autonomous driving systems. A common approach to road detection consists of exploiting color features to classify pixels as road or background. These algorithms reduce the effect of lighting variations and weather conditions by exploiting the discriminant/invariant properties of different color representations. Furthermore, the lack of labeled datasets has motivated the development of algorithms performing on single images based on the assumption that the bottom part of the image belongs to the road surface. In this paper, we first introduce a dataset of road images taken at different times and in different scenarios using an onboard camera. Then, we devise a simple online algorithm and conduct an exhaustive evaluation of different classifiers and the effect of using different color representation to characterize pixels.

研究动机与目标

• 为解决真实驾驶条件下缺乏公开、多样化且带标注的道路图像数据集的问题。
• 评估各种颜色表示在复杂光照条件下的鲁棒性与判别能力，以用于道路检测。
• 在仅使用正样本（道路）的在线学习设置中，比较多种单类分类器，避免对负样本（非道路）的需求。
• 识别在实时约束下能最大化检测准确率的最优颜色空间与分类器组合。

提出的方法

• 提出一种两阶段道路检测流程：首先，将输入图像转换为19种不同的颜色表示；其次，使用单类分类器为每个像素分配道路可能性的置信度分数。
• 分类器仅基于从每张图像底部区域提取的道路像素进行训练，假设该区域主要为路面。
• 评估了一系列单类分类器，包括基于模型的、k-means、k-centers、PCA和线性规划（dLP），涵盖多种颜色空间。
• 颜色表示包括RGB、HSV、HSL、O1、O2以及基于亮度的变体，其中H和S分量表现最优。
• 使用AUC和F1-score指标在保留的755张标注图像测试集上评估性能。
• 对H和S通道应用鲁棒化高斯模型，并通过噪声增强提升在有限训练数据上的泛化能力。

实验结果

研究问题

• RQ1 哪种颜色表示在光照变化下的不变性与道路检测的判别能力之间提供了最佳平衡？
• RQ2 当仅使用正样本（道路）进行训练而无负样本时，不同单类分类器的表现如何？
• RQ3 结合多个颜色平面是否能提升检测准确率，相比单独使用各平面？
• RQ4 在不同光照条件下，包含亮度（如HSV中）如何影响分类器性能？
• RQ5 在有限道路样本上训练的鲁棒化高斯模型，能否在多样化的真实驾驶场景中良好泛化？

主要发现

• 在H和S颜色平面训练的鲁棒化高斯模型取得了最高的AUC（92.7）和F1-score（93.1），优于所有其他组合。
• 使用亮度（如HSV或HSL中）会持续降低分类器性能，表明在光照变化下亮度的判别能力较弱。
• H和S分量提供了最稳健的性能，其中仅使用H分量即达到F1-score（88.3）和AUC（88.5）。
• O1颜色平面（R与G的组合）表现最差，可能由于过度不变性与低判别能力。
• PCA分类器在单维输入上失败，但当应用于三维颜色空间时达到高准确率（F1: 91.6），证实其对多变量数据的依赖性。
• 通过加入带噪声的样本扩展训练集，提升了基于模型的分类器性能，表明数据增强可增强有限正样本下的泛化能力。