使用v-disparity(V-差距），根据距离 而resolution(方案）急剧减少。使用RANSAC(随机抽样一致）估算区分的小的区间的 piece-wiselinear(分段线性）函数的方法的局限性在于，特定区间的linear(线性）函 数只受到其区间前方的影响，因此会导致前方linear(线性）函数中发生的错误传播到后 方。
[0086] 分段线性函数估算部154为了正确并稳健地估算piece-wiselinear(分段线性） 函数而使用霍夫变换和动态规划。分段线性函数估算部154包括霍夫变换适用部155及动 态规划执行部156。
[0087] 送时，霍夫变换化OU曲transform)通过累积值提供对各区间的路面中探索范围 内所有参数组合的适合度，因此能够有效地使用为需要对所有参数组合进行评价的动态规 划（dynamicprogramming)的数据项（dataterm)。并且，动态规划将霍夫变换单独适用于 各路面区间，利用平滑项（smoothnessterm)获得未获取的临近区间linear(线性）函数 之间的continuity(连续性）特性。最后，动态规划能够找出存在于所有区间的直线组合 中适合度最高的组合，相比从近距离到远距离执行顺次估算的现有方法，能够进行更稳定 的分段线性函数的估算。
[0088] 分段线性函数表现为数学式2。
[0089]Υ=tan(日η) ·Ζ+Ρη，Ζη?《Ζ<Ζη 【数学式 2】
[0090]该数学式中Ζ。1到Ζ。表示η次区间，Θ。和Ρ。表示存在于η次区间的
[00川 C(日。，Ρη，日W，PnJ=D(日。，Pn)+S(日η，Ρη，日W，PnJ直线的角度和Υ轴 切片。送时，P。^各直线开始的位置为基准而计算。用于估算送种分段线性函数的动态规 划的cost化nction(成本函数）如数学式3。
[009引【数学式3】
[009引数学式3中D(日。，P。）和S(Θ。，P。，Θ。4,P。4)分别表示数据项（dataterm)和 平滑项（smoothnessterm)。
[0094]
[0095] 数据项通过各区间的累积结果中适用霍夫变换而获得。送时，为了防止根据障碍 物累积的点妨碍路面估算，执行霍夫变换之前执行如数学式4的作业。
[009引【数学式4】
[0097]该数学式中jm。、表示indexj的最大值。送是特定位置的累积结果中减掉存在于 比相应位置低的位置的累积结果最大值的演算，具有弱化由路面上存在的障碍物生成的累 积值的效果。实施送种演算后，路面分成20个区间，各区间的A(j，i)上适用霍夫变换。霍 夫变换时使用的Θ。和P。的范围及间隔设定如下。Θ。设定为将-4.0度到+4.0度之间区 分成1. 0度。P。设定为将-5.Om到巧.Om之间区分为0.Im间隔。图6的（a)及化）分别 呈现分割的路面区间及各区间生成的霍夫变换结果。霍夫变换结果的水平及垂直轴分别表 示日。和P。。摄像头中到5.0m为止的区间因脱离立体摄像机的画角，从路面估算除外，因 此该图中只显示19个霍夫变换结果。霍夫变换结果如数学式5,使用为动态规划的数据项。 [009引【数学式5】
[009引D(日η,Pn) =-H(日η，Pn)
[0100] 数学式5中Η(θ。，p。）表示对η次区间的A(j，i)值适用霍夫变换而获得的评选(voting)结果的（Θ。，P。）位置所相应的值。减号因动态规划解最小化问题而加上的。平 滑项（smoothness term)如数学式6,由反映分段线性函数的两种特性的两个term(项）。 [OW]【数学式6】
[010引S(日η, Pn，日。+1，PnJ = Si(en，Pn，日。+1，Pwi)+S2(en，日。+1)
[010引数学式6的第一个term(项）反映存在于临近区间的linear(线性）函数需在区 间的界线相交的特征，设定如数学式7。
[0104]【数学式7】
[0105]
[0106] 数学式7中Κ(θ。，P。，目。4,Pw)表示路面区间的界线位置中两个linear(线 性）函数之间的Y轴方向距离，表现为数学式8。
[0107]【数学式8】
[010引 R(目η, P η，目η"，P η") = litan(目η) · Zn+P J-itan(目W1) · Zn+P η"}
[0109] 若该距离小于等于事先设定的临界值灯），第一个term(项）为0,若不是，会无限 大。因此，该term(项）W存在于临近区间的linear(线性）函数必须在两个区间的界线 相交为前提。为了应对Η维点累积时发生的quantizationerror(量化误差），Τ值设定 为等于该过程中使用的bin的大小（0.1m)。式化）的第二个term(项）反映临近区间的 linear(线性）函数的倾斜度应缓慢变化的特征。设定如数学式9。
[0110]【数学式9】
[0川]S2(日n，=iKZw-Zn).tan(日η)}-ΚΖη"-Ζη).tan(日。4川
[0112] 数学式9将存在于临近区间的linear(线性）函数的倾斜度变化变更为Y轴方向 的变化量而呈现。动态规划执行部156为了使动态规划的cost达到均衡，设定数学式5的 data term(数据项）和数学式6的smoothnessterm(平滑项）都具有相同metric单位的 值而进行演算。图6(b)和（C)呈现根据本发明的实施例而估算分段线性函数的结果。图 6(b)的霍夫变换结果上用红色十字显示的位置表示相应区间中估算的linear(线性）函数 的参数，图6(c)的绿色线表示用分段线性函数表现的道路纵断面估算结果。
[0113] 估算的分段线性函数的缺点在于区间界线中存在急剧的倾斜度变化。因此，根据 本发明的Η次b样条曲线估算部157基于初期估算结果而估算Η次b样条曲线，从而补正 路面估算结果。为此，uni化rm(统一）地sampling(抽样）估算的分段线性函数上的点， 对此适用least-squaresestimation(最小二乘估计）方法而估算Η次b样条曲线。图6 的（d)的红色线呈现最终估算的Η次b样条曲线。
[0114] 图7至图12是用于说明根据本发明的获得道路纵断面的比较实验结果的参照图。
[0115] A.对实验中利用的DB的说明
[0116] 根据本发明的实施例的方法使用Η种公用DB进行了定量评价。使用的公用DB 为抓-Vision Scene L油eling Dat油ase (抓-VISION DB，抓视觉场景标签数据库）[19]、 ΙαΤΤΙ Vision Benchmark Suit-Road Dat油ase(KITTI ΟΒ,?αΤΤΙ视觉基准适应路数据 库）、Daimler Stereo化destrian Detection Benchmark Data Set值AIMLER DB,戴姆勒 立体行人检测基准数据集）。使用抓-Vision DB和KITTI DB是因其提供了显示道路领 域的信息，使用DAIMLE畑B是因其包括多种市内情况。抓-VISIONDB和ΚΙΤΤΙDB分别由 500张、287张影像构成。DAIMLERDB因不另外提供对路面领域的信息，对uniform(统一） 地选择的306张影像，直接输入路面信息而使用。抓-VISIONDB是使用了提供的dense disparitymap(稠密视差图），?αΤΤΙDB和DAIMLERDB因不提供该densedisparity map(稠密视差图），通过化enCV(开放源代码计算机视觉类库）所具有的SGM方法获得了 densedisparitymap(稠密视差图）而使用。表1呈现使用的DB相关的详细说明。
[0117]【表1】
[011 引
[0120] B.性能评价及比较
[0121] 本实验中比较基于手动获得的Η次b样条曲线的道路纵断面（roadprofile)的 groundtruth(地面实况）和路面估算方法的道路纵断面（roadprofile)估算结果而执行 了性能评价及比较。道路纵断面（roadprofile)的groundtruth通过如下过程获得。1)选 择手动输入的路面领域的disparity(差距）信息。2)手动消除立体匹配失败的位置。3) 使用剩余的disparity(差距）信息而复原各像素的Η维位置。4)输入对目前影像中能够 确认的最大位置的信息。5)到最大位置为止的Η维点适用least-squaresestimator(最 小二乘估计）而估算Η次b样条曲线。送样获得的道路纵断面（roadprofile)可视为通 过既定的立体匹配结果和Η次b样条曲线模型而能够获得的最精密的道路纵断面（road profile)，将此用为groundtruth(地面实况）。
[012引 为性能评价而使用了AverageVe;rticalDifference(AVD，平均垂直差异）。若G和E分别表示根据groundtruth(地面实况）道路纵断面（roadprofile)和估算而获得的 道路纵断面下端领域，AVD如数学式10,计算为G和E的对称差（symmetricdifference) 除W最大距离化）的值。
[0123] 【数学式10】
[0124]
[0125] AVD表示路面估算结果的纵轴灯轴）距离误差，该值越小，表示输出更正确地结 果。
[0126] 对本发明的实施例与使用对outlier(异常值）稳健的robustestimator(稳健估 计）的两种现有方法进行了比较评价。第一个方法是M-estimatoHM估计量）基础region growing(区域生长）方法（W下称A方法），第二个方法是RANSAC(随机抽样一致）基础 sequentialestimation(序列估计）方法（W下称B方法）。表2呈现将Η种方法适用到 Η种DB而计算AVD的结果。通过表2,能够确认到本发明的实施例在Η种DB中都呈现出 比现有两种方法更优秀的性能。若加上Η种DB，提议的方法呈现9. 6cm的AVD，A方法和Β 方法分别呈现20. 3cm和19. 5cm的AVD。A方法能够确认到DAIMLERDB中性能急剧降低。 送是因为，抓-VISIONDB和KITTIDB如图6 (a)的第一及第二行所示，大部分由前方障碍 物不相邻而路面领域几乎未遮挡的状况构成，但DAIMLERDB如图6(a)的第Η行所示，大部 分是近距离存在