車道檢測方法綜述

王春陽

【摘 要】安全在行車駕駛中是永恒不變的話題，安全偏離預警輔助駕駛與無人駕駛越來越受到關注。而偏離預警輔助駕駛與無人駕駛的前提是準確識別車道。本文對近15年車道檢測方法分析說明其現(xiàn)狀、存在的問題與發(fā)展趨勢。

【關鍵詞】車道檢測；結構化車道；非結構化車道

Review of Lane Detection

WANG Chun-yang

（Chongqing University of Posts and Telecommunications， Chongqing 400065， China）

【Abstract】Safety in driving is an eternal topic， the safety of the early warning of auxiliary driving and unmanned driving get more and more attention. And accurate identification of lane is the premise of the deviation from the early warning and unmanned driving premise. In this paper， analysis nearly 15 years of lane detection to indicates its status quo， existing problems and development trend.

【Key words】Lane detection； Structured lane； Unstructured lane

0 引言

對車身周圍復雜環(huán)境的感知都是其實現(xiàn)輔助駕駛或者無人駕駛進行規(guī)劃決策的前提條件。而車道檢測又是智能汽車對環(huán)境理解的重要組成部分。對無人駕駛，車道檢測作用是路徑規(guī)劃與決策，實現(xiàn)車輛智能檢測出可行車道，最終實現(xiàn)全智能的無人駕駛。對輔助駕駛，車道檢測的主要作用是車道偏離預警。

1 車道檢測

車道按照修建規(guī)格大體分為結構化道路和非結構化車道兩種。結構化車道一般具有比較清晰的車道線或者邊界，非結構化車道一般沒有車道線和清晰的道路邊界。

1.1 結構化車道檢測

針對結構化車道，目前國內外應用比較廣泛的檢測方法以車道兩側的標準線作為檢測依據(jù)，可劃分為基于車道特征和基于車道模型兩大類。

（1）于道路特征的檢測方法

文獻[1]根據(jù)道路圖像像素點的灰度分布特征，將其劃分為4類，并進行多方向搜索，去除虛假邊界點，最后利用Hough變換檢測車道標識線。文獻[2]利用紋理特征和顏色特征對圖像進行分割與融合。文獻[3]利用光強度檢測道路邊緣和真彩色檢測道路區(qū)域，獲得可能的道路區(qū)域，并計算其均值和方差，然后提取道路區(qū)域和邊界。

（2）基于模型的檢測方法

文獻[4]采用基于B樣條曲線模型的車道標識線檢測與跟蹤方法，通過獲取車道中心線完成車道線檢測。文獻[5]采用直線模型擬合兩側標識線，并利用感興趣區(qū)域，縮小車道線檢測范圍，利用Hough直線檢測方法定位車道邊界。文獻[6]將彎曲道路看成是三維的在垂直和水平方向的回旋曲線，利用卡爾曼濾波將前一幀的檢測結果用于估計下一幀圖像車道線參數(shù)。

1.2 非結構化車道檢測

非結構化車道大致可分為三類：基于道路特征的檢測方法、基于道路模型的檢測方法和基于神經(jīng)網(wǎng)絡的檢測方法。

（1）基于道路特征的檢測方法

文獻[7]利用顏色特征建立道路特征模型，采用卡爾曼濾波器更新特征模型，實現(xiàn)非結構化道路跟蹤。文獻[8]根據(jù)彩色模型概率機制分割圖像，同時進行約束性邊緣檢測，然后融合兩者結果，最后通過動態(tài)規(guī)劃方法求得到道路邊界。文獻[9]通過對像素點的紋理強度以及方向特征的分析，投票獲的候選消失點，然后獲得目標區(qū)域的直線斜率，結合消失點建立直線方程，從而獲取可行的道路區(qū)域。

（2）基于道路模型的檢測方法

文獻[10]提出一種基于多模型相結合的非結構化道路檢測算法。利用混合高斯模型和拋物線模型相結合，擬合并提取道路邊界曲線 文獻[11]提出一種基于自適應變形模板的非結構化道路檢測算法。通過邊緣跟蹤實時生成道路形狀，并預測下一段道路可能的形狀，已達到道路檢測目的。

（3）基于神經(jīng)網(wǎng)絡的檢測方法

文獻[12]利用ICM分割圖像，然后利用最小交叉熵判決機制選取交叉熵最小的圖像，以檢測非結構化道路。文獻[13]利用主元神經(jīng)網(wǎng)絡提取對圖像的顏色與空間特征的主成分，統(tǒng)計道路邊緣窗，根據(jù)通過利用粒子濾波器估計道路狀態(tài)。文獻[14]利用紋理特征值作為BP神經(jīng)網(wǎng)絡的輸入，進行訓練獲得網(wǎng)絡的閥值，然后采用訓練好的網(wǎng)絡對圖像進行小塊分析，找出道路部分，直到處理完整個圖像獲得道路區(qū)域。

1.3 復合型車道檢測

復合型車道結構測到與非結構化車道的統(tǒng)稱。文獻[15]利用攝像機獲得車道線信息，雷達獲得護欄信息，雷達-攝像機融合系統(tǒng)獲得車道邊界信息。利用圖像紋理特征提取車道線和邊界，再采用卡爾曼濾波算法估計車道。文獻[16]利用攝像機獲得車道圖像，對圖像進行紋理濾波獲得車道邊界以及車道線。由雷達獲得車道邊界信息。融合這些信息獲得車道曲率、主車與車道的相對位置等信息。再通過權重粒子法估計車道。文獻[17]提出一種分層的車道檢測算法。利用車道線來分類車道類型，利用特征選型車道，再采用對應的車道檢測算法。

2 總結

影響車道檢測的主要因素有車道類型多樣化、車輛與車道信息是否充分利用等。車輛和車道信息包含車輛的速度、車道線、車道邊界、車道護欄、引導車輛的速度等信息。在目前的車道檢測方法中，只有其中一種或者幾種被用到，而并未全部被充分利用到。目前針對結構化和非結構化車道檢測都有一定成就。但是這些方法都只適用于其單一類型車道并不適用于對包含以上兩種類型車道的復合型車道的檢測。針對復合型的車道檢測技術相對較落后，現(xiàn)在仍處于初步探索階段。

【參考文獻】

[1]Zhang R， Wang H， Zhou X， et al. Lane detection algorithm at night based-on distribution feature of boundary dots for vehicle active safety[J]. Information Technology Journal， 2012， 11（5）： 642-646.

[2]Fang H， Jia R， Lu J. Segmentation of full vision images based on colour and texture features[J]. Beijing Ligong Daxue Xuebao/Transaction of Beijing Institute of Technology， 2010， 30（8）： 935-939.

[3]He Y， Wang H， Zhang B. Color-based road detection in urban traffic scenes[J]. IEEE Transactions on Intelligent Transportation Systems， 2004， 5（4）： 309-318.

[4]Wang Y， Teoh E K， Shen D. Lane detection and tracking using B-Snake[J]. Image and Vision Computing， 2004， 22（4）： 269-280.

[5]Cualain D O， Hughes C， Glavin M， et al. Automotive standards-grade lane departure warning system[J]. IET Intelligent Transport Systems， 2012， 6（1）： 44-57.

[6]Gao F， Jiang D， Xu G， et al. A 3d curve lane detection and tracking system based on stereovision[J]. CICTP 2012： Multimodal Transportation Systems - Convenient， Safe， Cost-Effective， Efficient - Proceedings of the 12th COTA International Conference of Transportation Professionals， 2012： 1247-1258.

[7]胡旭，劉滿祿，張華.基于特征模型的非結構化道路跟蹤算法研究[J].微型機與應用，2012（17）：46-50.

[8]劉加海，白洪歡，黃微凹.基于彩色和邊緣信息融合的道路分割算法[J].浙江大學學報：工學版，2006，40（1）：29-32.[9]劉富，袁雨桐，李洋.基于紋理特征的非結構化道路分割算法[J].計算機應用，2015，35（S2）：271-273.

[10]劉媛，宋曉琳，張偉偉.基于多模型結合優(yōu)化的非結構化道路檢測算法[J].工程設計學報，2013（02）：157-162.

[11]基于陳清華，楊靜宇，陳建亭.基于自適應變形模板的非結構化道路檢測[J].東南大學學報，2007（06）.

[12]高慶吉，張磊.基于交叉視覺皮質模型的[J].電子學報，2011（10）：2366-2371.

[13]李青，鄭南宇，馬麟.基于主元神經(jīng)網(wǎng)絡的非結構化道路跟蹤[J].機器人，2005（03）.

[14]呂艷鵬，潘玉田.基于BP神經(jīng)網(wǎng)絡的非結構化道路識別[J].機械工程與自動化，2014（03）.

[15]Florian Janda ， Sebastian Pangerl， Eva Lang， Erich Fuchs. Road Boundary Detection for Run-off Road Prevention based on the Fusion of Video and Radar[J]. IEEE Intelligent Vehicles Symposium （IV）， 2013：1173-1178.

[16]Janda， F. ； Pangerl， S. ； Schindler， A. A Road Edge Detection Approach for Marked and Unmarked Lanes Based on Video and Radar[J]. Information Fusion （FUSION）， 2013 16th International Conference on， 2013： 871-876.

[17]Cheng， H.Y. ； Yu， C.C. ； Tseng， C.C. ； Fan， K.C. ； Hwang， J.N. ； Jeng， B.S. Environment classification and hierarchical lane detection for structured and unstructured roads[J]. Computer Vision， IET. 2010， 4（1）： 37-49.

[責任編輯：楊玉潔]