最后，关于地图构建，目前的地图表示方法分为三类：栅格地图、几何地图和拓扑地图[30]。其中，拓扑地图将环境表示为一张拓扑意义的图，图中的节点对应环境中的拐点或交叉点，弧表示不同节点之间的通道，适合于表示大规模环境。为完成拓扑地图的构建，需要对道路分割后的大范围场景进行骨架提取。一类方法是通过对所有道路线段求交来建立道路拓扑，但是在确定道路是否相交时难以选择阈值。与此不同，用骨架表示目标图像的连接拓扑和边界信息，在机器人领域有着广泛的应用。图像骨架提取，即提取目标在图像上的中心像素轮廓，以目标中心为准，对目标进行细化，细化后的目标为单像素宽度。中轴线是一个典型的骨架模型，其具有简单、完整等优点。在此基础上，研究人员提出了一系列基于细化的骨架提取算法，其大致可分为迭代和非迭代两大类。在迭代算法中，又分为并行迭代和顺序迭代两种。Saeed 等[31]提出的K3M 算法则是顺序迭代中应用广泛的方法之一，该类算法的思想是，假定从二值图像中物体的边界处同时开始燃烧，物体就会被逐步细化，但在燃烧过程中要保证满足一定条件的点被保留或者被“烧掉”，以确定燃烧结束后，剩下最后一个像素宽度的图像为图像的骨架。该方法存在像素冗余问题，得到的骨架出现分叉、不平滑现象。并行迭代以Zhang并行快速细化算法最为经典，该算法多应用于文字骨架的提取，在连接性和轮廓噪声抗扰度方面效果较好。本文使用骨架提取的方法进行拓扑化，将Zhang 并行快速细化算法应用于拓扑地图的构建。

为了实现室外大范围拓扑地图构建，本文提出了基于道路识别、图像拼接、骨架提取集成的拓扑地图构建框架。具体而言，先由图像拼接实现大范围场景获取，然后通过道路识别和骨架提取实现拓扑地图构建。由于所提策略先分割后拼接，实现了方法的实时性。此外，设计了基于GPU加速的ORB 图像拼接算法，提高了拼接效率。

2 大范围拓扑地图构建方案

2.1 整体方案设计

本文的整体设计方案可分为三部分：道路分割、图像拼接、拓扑构建，采用边分割边拼接、先分割后拼接的方案，前者可减少同时参与拼接的图像数目，增加拼接准确性，后者可减少拼接时特征点检测与匹配的计算量，增加拼接速度，流程图如图1 所示。

图1 整体方案流程图

Fig.1 Flow chart of the general scheme

2.2 基于深度学习的航拍图像道路分割

2.3 基于ORB 算法的图像拼接

2.4 基于骨架提取的拓扑地图构建

3 实验结果及分析

4 结 论

本文针对空地协作领域无人机室外道路观测问题，提出了由道路分割、图像拼接、骨架提取组成的基于视觉的无人机大范围室外道路拓扑地图的构建方法。首先，成功地将基于D-LinkNet的航拍图像道路分割和Zhang 并行快速细化算法 用于室外大范围拓扑地图构建问题；其次，提出先分割后拼接的方案，大大减少了图像拼接计算量，设计了基于GPU 加速的ORB 拼接算法，提高了拼接效率；最后，在INRIA aerial image 数据集上成功验证了该方法的准确性和实时性。

参考文献（略）

来源丨《无人系统技术》2021年第4期