智能車(chē)輛的道路檢測(cè)及其應(yīng)用

黃武陵

智能車(chē)輛的道路檢測(cè)及其應(yīng)用

黃武陵

（中國(guó)科學(xué)院自動(dòng)化研究所，北京100190）

道路檢測(cè)是智能車(chē)輛環(huán)境感知的主要內(nèi)容，也是實(shí)現(xiàn)自動(dòng)駕駛的基礎(chǔ)。由于交通道路環(huán)境多樣、復(fù)雜，車(chē)道檢測(cè)存在許多挑戰(zhàn)。本文總結(jié)了相關(guān)工作，以縮微智能車(chē)輛驗(yàn)證平臺(tái)為例，從車(chē)道檢測(cè)系統(tǒng)的嵌入式平臺(tái)構(gòu)建、典型車(chē)道線檢測(cè)算法分析、車(chē)道預(yù)警應(yīng)用等方面入手，分析了典型道路檢測(cè)技術(shù)實(shí)現(xiàn)，可作為智能車(chē)輛相關(guān)功能實(shí)現(xiàn)的技術(shù)參考。

智能車(chē)輛；視覺(jué)感知；道路檢測(cè)；車(chē)載嵌入式平臺(tái)

引 言

環(huán)境感知功能是實(shí)現(xiàn)自動(dòng)駕駛的基礎(chǔ)，以視覺(jué)傳感器為主的智能車(chē)輛環(huán)境感知模塊必須能夠檢測(cè)和識(shí)別行駛車(chē)道及周邊的目標(biāo)，包括結(jié)構(gòu)化道路和非結(jié)構(gòu)化道路信息、行駛環(huán)境中行人和車(chē)輛、交通信號(hào)燈和交通標(biāo)志等［3］。其中，道路檢測(cè)模塊通過(guò)檢測(cè)結(jié)構(gòu)化和非結(jié)構(gòu)化的道路信息，準(zhǔn)確獲得本車(chē)相對(duì)于車(chē)道的位置和方向，為環(huán)境感知功能提供最基礎(chǔ)的支撐。

以道路檢測(cè)為基礎(chǔ)，可以衍生出智能車(chē)輛的高級(jí)輔助駕駛系統(tǒng)（ADAS）的車(chē)道偏離預(yù)警等許多具體應(yīng)用，常用的有Mobileye AWS、Daimler Chrysler的Auto Vue和卡內(nèi)基梅隆大學(xué)的AURORA等系統(tǒng)。以Mobileye的C2 270為例（見(jiàn)圖1），包括固定于擋風(fēng)玻璃內(nèi)側(cè)的視覺(jué)傳感器（高動(dòng)態(tài)CMOS攝像機(jī)和SeeQ圖像處理模塊）、聲音警報(bào)蜂鳴器、Eye Watch顯示及控制裝置等，提供了車(chē)道偏離警告、車(chē)距監(jiān)測(cè)與警告、行人碰撞警告等功能，有效減少了交通事故，提高了駕駛安全性［6］。

由于受交通標(biāo)志線新舊磨損、光照條件和多變天氣、周邊車(chē)輛遮擋等交通環(huán)境復(fù)雜性因素影響，道路檢測(cè)技術(shù)一直是智能車(chē)輛視覺(jué)感知的難題，還在不斷研究以改進(jìn)其可靠性和魯棒性［14-15］。除了雨雪天氣、車(chē)道線缺失等復(fù)雜情況下還需要進(jìn)一步結(jié)合多傳感器融合進(jìn)行推理判斷［13］，針對(duì)城市結(jié)構(gòu)化道路的檢測(cè)技術(shù)已經(jīng)相對(duì)比較成熟，而針對(duì)鄉(xiāng)村和越野等情況下的非結(jié)構(gòu)化道路檢測(cè)，則還在研究和發(fā)展中，需要采用機(jī)器學(xué)習(xí)等方法來(lái)對(duì)復(fù)雜環(huán)境進(jìn)一步理解判斷［2］。近來(lái)，在結(jié)合傳統(tǒng)道路檢測(cè)技術(shù)的基礎(chǔ)上，采用深度學(xué)習(xí)技術(shù)將可能極大改進(jìn)車(chē)道檢測(cè)精度和效果［12］。

本文主要包括道路檢測(cè)技術(shù)綜述、基于縮微智能車(chē)輛平臺(tái)的道路檢測(cè)系統(tǒng)分析、基于道路檢測(cè)技術(shù)的典型車(chē)載應(yīng)用等內(nèi)容。

圖1　Mobileye的C2-270

1　道路檢測(cè)技術(shù)綜述

城市交通環(huán)境中一般都是標(biāo)準(zhǔn)的結(jié)構(gòu)化道路，有清晰車(chē)道標(biāo)志線和道路邊界。車(chē)載視覺(jué)系統(tǒng)中一般假設(shè)距攝像機(jī)近的車(chē)道線方向變化不大（即道路曲率變化很?。?，可以用直線來(lái)擬合車(chē)道線［9］；而在道路曲率變化較大的彎道處，可以采用多種曲線形式進(jìn)行車(chē)道擬合［10］。鄉(xiāng)村公路等非結(jié)構(gòu)化道路在結(jié)構(gòu)上符合道路的特征，但一般缺少車(chē)道線等標(biāo)志，無(wú)法采用結(jié)構(gòu)化道路所用的車(chē)道線檢測(cè)方法，一般采用基于機(jī)器學(xué)習(xí)的檢測(cè)算法來(lái)識(shí)別車(chē)道及其邊界，完成道路檢測(cè)。本文中主要討論城市結(jié)構(gòu)化道路檢測(cè)。

1.1結(jié)構(gòu)化道路檢測(cè)中的假設(shè)

結(jié)構(gòu)化道路有建設(shè)和施工國(guó)家標(biāo)準(zhǔn)，道路輪廓和曲率都遵循規(guī)則，道路區(qū)域和非道路區(qū)域有明顯車(chē)道線和道路邊緣。在結(jié)構(gòu)化道路檢測(cè)的具體實(shí)現(xiàn)中，一般對(duì)條件進(jìn)行適當(dāng)簡(jiǎn)化假設(shè)。例如，使用道路形狀假設(shè)以簡(jiǎn)化道路模型，比如采用直線、回旋曲線、雙曲線等多項(xiàng)式曲線來(lái)表示車(chē)道線，并采用Hough變換進(jìn)行匹配［4］。一般還可對(duì)道路寬度和平坦度進(jìn)行假設(shè)，認(rèn)為道路寬度固定或變化比較緩慢，并且道路平坦、兩個(gè)邊緣平行。此外，還可以對(duì)道路特征一致性進(jìn)行假設(shè)，認(rèn)為圖像中的路面區(qū)域具有一致的顏色、紋理等特征，而非道路區(qū)域則沒(méi)有，故可采用聚類(lèi)方法來(lái)檢測(cè)道路區(qū)域。最后，為了加快道路檢測(cè)的速度，可以設(shè)定感興趣的區(qū)域，并進(jìn)行分析和尋找期望特征，而無(wú)須對(duì)整幅圖像進(jìn)行分析。

1.2結(jié)構(gòu)化道路的直道和彎道檢測(cè)

在直道檢測(cè)中，可以利用距離攝像機(jī)不遠(yuǎn)處曲率變化很小的假設(shè)，近似用直線來(lái)擬合車(chē)道線，利用車(chē)道線信息進(jìn)行道路區(qū)域與非道路區(qū)域的分割，從而完成道路檢測(cè)［5］。道路邊緣檢測(cè)主要包括圖像預(yù)處理、邊緣提取和二值化等步驟。其中，圖像預(yù)處理一般先選定圖像感興趣區(qū)域，用中值濾波、均值濾波、高斯濾波等消除噪聲，再采用膨脹腐蝕等方法進(jìn)行邊緣增強(qiáng)，然后進(jìn)一步進(jìn)行邊緣提取，根據(jù)算法執(zhí)行時(shí)間和邊緣檢測(cè)結(jié)果綜合考慮選用Sobel、Canny、Gauss Laplacia等算子進(jìn)行邊緣檢測(cè)，最后完成道路檢測(cè)。

在彎道檢測(cè)中，不僅要識(shí)別出道路邊界線，還需要判斷道路彎曲的方向，確定彎道曲率半徑。選取適合的曲線模型來(lái)描述彎道車(chē)道線并由圖像數(shù)據(jù)擬合出可靠的曲線方程參數(shù)，一般采用車(chē)載視頻圖像透視變換之后的俯視圖進(jìn)行車(chē)道擬合。常用的彎道檢測(cè)方法可分為基于道路特征的方法和基于道路模型的方法［8］。基于道路特征的方法在道路標(biāo)線明顯且標(biāo)線完整等條件下檢測(cè)效果較好，基于道路模型的方法則具備更好的適應(yīng)性，可以克服道路特征檢測(cè)方法的弊端，因此，一般多采用基于道路模型的方法進(jìn)行彎道檢測(cè)，將彎道檢測(cè)轉(zhuǎn)化為各種曲線模型中數(shù)學(xué)參數(shù)的求解問(wèn)題，一般包括建立彎道模型、提取車(chē)道線像素點(diǎn)，以及擬合車(chē)道線模型等主要步驟［7］。

2　基于縮微智能車(chē)輛平臺(tái)的道路檢測(cè)

2.1智能車(chē)輛道路檢測(cè)驗(yàn)證方案

道路檢測(cè)涉及車(chē)輛環(huán)境感知核心，一般要求在幾十毫秒內(nèi)得到車(chē)道檢測(cè)結(jié)果，實(shí)時(shí)性要求較高。由于涉及圖像處理，要求處理器具備較高的運(yùn)算性能，一般專用處理器進(jìn)行系統(tǒng)構(gòu)建。例如Mobileye的系統(tǒng)中，采用了與意法半導(dǎo)體聯(lián)合設(shè)計(jì)的EyeQ視覺(jué)處理器，結(jié)合Mobileye先進(jìn)的視覺(jué)處理技術(shù)，EyeQ視覺(jué)處理器才能在要求的時(shí)間內(nèi)完成行駛環(huán)境中車(chē)道、交通標(biāo)志和行人等目標(biāo)檢測(cè)處理。2016年7月1日，Mobileye、Intel與BMW三家企業(yè)宣布，希望Mobileye把算法集成到Intel最新的高性能自動(dòng)駕駛計(jì)算平臺(tái)上。

為了驗(yàn)證智能車(chē)輛自動(dòng)駕駛功能，構(gòu)建了室內(nèi)縮微交通環(huán)境，如圖2所示，總面積70 m2左右，能夠進(jìn)行縮微智能車(chē)輛的直道行駛、彎道行駛、橋梁行駛、交叉口匯入、避障超車(chē)、十字路口、交通標(biāo)志識(shí)別和岔道口行駛等典型交通情景自動(dòng)駕駛測(cè)試。

圖2　用于驗(yàn)證智能車(chē)輛技術(shù)的室內(nèi)縮微交通環(huán)境

智能車(chē)輛采用縮微的HPI Cup Racer小車(chē)、Web Camera、速度傳感器、MEMS加速度和陀螺儀、超聲傳感器等構(gòu)建，車(chē)輛行駛電機(jī)和轉(zhuǎn)向舵機(jī)采用AVR單片機(jī)控制，主處理模塊初版采用AMD雙核x86工業(yè)控制板，新版采用NVIDIA Tegra K1平臺(tái)構(gòu)建，如圖3所示。

NVIDIA Tegra K1平臺(tái)作為處理模塊和傳感器接口，處理像機(jī)視覺(jué)圖像和LIDAR測(cè)距掃描數(shù)據(jù)，進(jìn)行車(chē)道、交通信號(hào)、障礙物和可行駛區(qū)檢測(cè)，通過(guò)串口整合GPS模塊、慣性測(cè)量單元（IMU）、轉(zhuǎn)向角和碼盤(pán)輪速檢測(cè)等傳感器。Tegra K1運(yùn)行Ubuntu Linux 14.04，集成ROS和OpenCV4Tegra，提供TK1 CUDA編譯代碼支持視覺(jué)圖像處理和機(jī)器學(xué)習(xí)等任務(wù)，可以本地編譯TK1 CUDA代碼或在Linux開(kāi)發(fā)主機(jī)進(jìn)行交叉編譯。除此之外，在Ubuntu版本中還包含豐富的ARM預(yù)編譯軟件包，大大減少了構(gòu)建系統(tǒng)所需時(shí)間?；贘TK的開(kāi)放架構(gòu)，方便實(shí)現(xiàn)基于OpenCV4Tegra支持的道路檢測(cè)算法。

圖3　基于Tegra K1的智能車(chē)輛感知方案

2.2智能車(chē)輛車(chē)道檢測(cè)算法

在室內(nèi)縮微交通環(huán)境下，智能車(chē)輛采用比較常見(jiàn)的基于雙曲線模型的車(chē)道識(shí)別算法來(lái)檢測(cè)直道和彎道［11］，并且可根據(jù)需要進(jìn)行車(chē)道跟蹤。其中，車(chē)道檢測(cè)重點(diǎn)是車(chē)道線邊緣點(diǎn)搜索和車(chē)道線邊緣曲線擬合等，其算法簡(jiǎn)要流程如圖4所示。

圖4　車(chē)道檢測(cè)算法簡(jiǎn)要流程

首先從攝像頭讀取視頻幀進(jìn)行重新采樣，將RGB圖像轉(zhuǎn)為YCbCr顏色空間，同時(shí)設(shè)置感興趣區(qū)域（ROI），通過(guò)Sobel等算子進(jìn)行圖形邊緣增強(qiáng)，進(jìn)行圖像自適應(yīng)二值化分割處理，通過(guò)Canny邊緣檢測(cè)算子進(jìn)行不連續(xù)的道路邊緣提取。采用Hough變化得到道路內(nèi)的候選直線，根據(jù)左右車(chē)道線夾角和車(chē)道線寬等約束，篩選出距車(chē)輛坐標(biāo)系原點(diǎn)最近的兩條直線。

首先在篩選出的Hough直線附近通過(guò)自適應(yīng)車(chē)道線特征點(diǎn)搜索算法進(jìn)行搜索，采用擬合算法進(jìn)行搜索到的特征點(diǎn)擬合，然后根據(jù)擬合車(chē)道線及像素梯度、灰度等信息構(gòu)建車(chē)道置信度函數(shù)，最后根據(jù)置信度判斷當(dāng)前幀車(chē)道線識(shí)別成功預(yù)購(gòu)，再轉(zhuǎn)入車(chē)道跟蹤算法，完成車(chē)道跟蹤。

（1）Hough變換原理

Hough變換是利用圖像的全局特性，在二維像素中尋找直線、圓及其他簡(jiǎn)單形狀曲線的一種方法。將表決原理運(yùn)用于參數(shù)估計(jì)，利用曲線上的點(diǎn)表決產(chǎn)生目標(biāo)參數(shù)組，使分割過(guò)程具有較強(qiáng)的魯棒性。

（2）建立車(chē)道線模型

常見(jiàn)的車(chē)道線模型中，直線模型簡(jiǎn)單但彎道時(shí)誤差較大，B樣條曲線模型計(jì)算復(fù)雜度較高，三次曲線模型對(duì)道路邊緣噪聲點(diǎn)干擾比較敏感且計(jì)算量也較大。雙曲線模型可以同時(shí)描述直道和彎道模型，且模型簡(jiǎn)單、計(jì)算速度較快。

式中，（x，y）表示圖像上點(diǎn)的像素坐標(biāo)，a、b、c分別為車(chē)道線的曲率、起始點(diǎn)的切線斜率、車(chē)道線的截距，h控制消失點(diǎn)遠(yuǎn)近。因車(chē)載相機(jī)固定，消失點(diǎn)圖像縱坐標(biāo)可近似不變，只需在圖像坐標(biāo)系中求解參數(shù)a、b、c即可。

（3）車(chē)道線特征點(diǎn)搜索

道路圖像經(jīng)邊緣增強(qiáng)后必須從諸多的邊界信息中識(shí)別出道路邊界。如圖5所示，在結(jié)構(gòu)化道路上，車(chē)道邊界線亮度值較高，而邊界線附近的路面亮度值較低，車(chē)道線兩側(cè)的亮度值會(huì)發(fā)生突變。因此，可以基于該特征進(jìn)行道路邊緣點(diǎn)篩選。

圖5　車(chē)道線灰度變化特征

通過(guò)Hough變化獲得候選直線，根據(jù)車(chē)道線特征篩選出左右車(chē)道直線，在車(chē)道直線下端點(diǎn)附近設(shè)置搜索范圍，尋找特征點(diǎn)。一般可以基于行駛路面灰度均勻分布的特征，采用預(yù)設(shè)閾值的方法對(duì)尋找出的每行中最大灰度跳變的特征點(diǎn)進(jìn)行預(yù)處理，同時(shí)去除道路區(qū)域上灰度跳變小于預(yù)設(shè)閾值的特征點(diǎn)。若符合車(chē)道線特征點(diǎn)條件，則沿著特征點(diǎn)下一行找候選車(chē)道線特征點(diǎn)集，當(dāng)車(chē)道線特征點(diǎn)坐標(biāo)超出設(shè)定的ROI區(qū)域，當(dāng)前幀車(chē)道線特征點(diǎn)搜索完畢；否則，將搜索范圍增大，重新尋找特征基點(diǎn)，再結(jié)合距離、角度、車(chē)道線寬等約束排除不滿足要求的點(diǎn)。當(dāng)預(yù)處理后剩余特征點(diǎn)的個(gè)數(shù)超過(guò)一定值時(shí)，啟動(dòng)車(chē)道線擬合算法。

（4）車(chē)道線擬合

為減少噪聲對(duì)擬合結(jié)果的影響，所有搜索到的車(chē)道線基點(diǎn)不參與車(chē)道線的擬合，只有當(dāng)擬合點(diǎn)（車(chē)道線特征點(diǎn)）個(gè)數(shù)大于閾值時(shí)才進(jìn)行擬臺(tái)。結(jié)合最小二乘擬合原理，可取目標(biāo)函數(shù)為：

為使f（a，b，c）取得極小值，車(chē)道線參數(shù)a、b、c滿足式（3），求解可得到線型雙曲線的系數(shù)a、b、c，用最小二乘法分別擬合左右邊界線，初步完成候選車(chē)道標(biāo)線的識(shí)別。

3　基于道路檢測(cè)技術(shù)的車(chē)載應(yīng)用

3.1基于道路檢測(cè)的車(chē)道偏離預(yù)警

道路檢測(cè)為智能車(chē)輛車(chē)道偏離預(yù)警功能提供支撐，如圖6所示，車(chē)道偏離預(yù)警系統(tǒng)中，車(chē)道檢測(cè)模塊主要是即時(shí)地獲得車(chē)輛與車(chē)道線的即時(shí)夾角與相對(duì)距離等參數(shù)，并將信息發(fā)送給車(chē)載電控單元（ECU）判斷是否需要警示。如果車(chē)輛在無(wú)轉(zhuǎn)向信號(hào)情況下開(kāi)始偏離車(chē)道，而ECU判定車(chē)輛已處于警示狀態(tài)，則自動(dòng)進(jìn)行駕駛員警示，提醒立即作出處理。

圖6　車(chē)道偏離預(yù)警系統(tǒng)組成

可以采用基于車(chē)輛當(dāng)前位置判定（Car's Current Position，CCP）、基于車(chē)輛將出現(xiàn)的偏移量判定（Future Offset Difference，F(xiàn)OD）、基于車(chē)輛橫越邊界時(shí)間進(jìn)行判定（Time to Lane Crossing，TLC）等多種車(chē)道偏離預(yù)警系統(tǒng)評(píng)判標(biāo)準(zhǔn)。例如TLC判定法可以根據(jù)車(chē)輛當(dāng)前的運(yùn)動(dòng)狀態(tài)，建立未來(lái)幾秒鐘內(nèi)車(chē)輛運(yùn)動(dòng)的假設(shè)，估算出車(chē)輛駛離某一側(cè)車(chē)道所需的時(shí)間，從而提前預(yù)測(cè)出將要出現(xiàn)的車(chē)道偏離。

在車(chē)道偏離預(yù)警分析時(shí)，結(jié)合道路檢測(cè)進(jìn)行判斷，如果是直道時(shí)，假設(shè)車(chē)輛保持當(dāng)前方向行駛，此時(shí)車(chē)輛相對(duì)于車(chē)道線的方向角為θ，當(dāng)前車(chē)輛中心與車(chē)道中心線的橫向偏移量為y0，某一時(shí)間段內(nèi)車(chē)輛行駛的直線距離為l，某一時(shí)間段內(nèi)車(chē)輛行駛的橫向距離為y（l），由此假設(shè)得到以下描述：

假如車(chē)輛行駛在彎道上，則接下來(lái)要保持某一轉(zhuǎn)角運(yùn)動(dòng)，可以類(lèi)似于車(chē)道線的回旋曲線模型來(lái)描述。設(shè)車(chē)輛曲線運(yùn)動(dòng)的曲率為Cc（可通過(guò)轉(zhuǎn)向盤(pán)轉(zhuǎn)角測(cè)算），其近似方程為：

可以根據(jù)汽車(chē)的具體尺寸換算成車(chē)輪的偏移：

車(chē)輛的運(yùn)動(dòng)曲線與所檢測(cè)的相應(yīng)車(chē)道邊線的交點(diǎn)之外，設(shè)定一個(gè)越線距離，結(jié)合車(chē)輛的運(yùn)動(dòng)速度，計(jì)算出車(chē)道偏離時(shí)間，可與規(guī)定閾值進(jìn)行比較來(lái)判斷是否需要進(jìn)行預(yù)警。

3.2縮微環(huán)境下的道路檢測(cè)結(jié)果

道路檢測(cè)模塊為自動(dòng)駕駛提供了許多參數(shù)，可以在車(chē)道檢測(cè)基礎(chǔ)上實(shí)現(xiàn)智能車(chē)輛的許多功能，例如車(chē)道偏離預(yù)警等。Mobileye的EyeQ提供的道路檢測(cè)結(jié)果參數(shù)如表1所列。

表1　Mobileye的EyeQ提供道路檢測(cè)結(jié)果

本文所用的車(chē)道檢測(cè)算法比Mobileye簡(jiǎn)單得多，如圖7所示，在縮微交通環(huán)境中，進(jìn)行車(chē)道圖像處理和車(chē)道線檢測(cè)過(guò)程得到的二值化圖像、邊緣檢測(cè)圖像、車(chē)道線圖像，其中圖7（c）中的白色線段標(biāo)記車(chē)道線檢測(cè)結(jié)果，可以看出所用車(chē)道線檢測(cè)方法有較好效果。

在縮微智能車(chē)輛高性能JTK主板上運(yùn)行道路檢測(cè)算法，平均處理一幅圖像的時(shí)間為35 ms，可以滿足主控器與車(chē)輛底層控制模塊的50 ms數(shù)據(jù)交互周期硬性要求，從而使得縮微智能車(chē)輛可以以較快速度行駛。

在車(chē)道檢測(cè)基礎(chǔ)上，結(jié)合相機(jī)標(biāo)定所得的坐標(biāo)轉(zhuǎn)換矩陣，獲得以智能車(chē)為原點(diǎn)的二維坐標(biāo)系下表示的車(chē)道線與智能車(chē)的即時(shí)夾角和距離等參數(shù)。結(jié)合這些參數(shù)以及TLC判定法，即可實(shí)現(xiàn)車(chē)道偏離預(yù)警等演示功能。

結(jié) 語(yǔ)

道路檢測(cè)是智能車(chē)輛環(huán)境感知的重要內(nèi)容。本文通過(guò)道路檢測(cè)技術(shù)的簡(jiǎn)要綜述，結(jié)合縮微交通環(huán)境下的智能車(chē)輛平臺(tái)的道路檢測(cè)系統(tǒng)分析，以及基于道路檢測(cè)技術(shù)的典型車(chē)載應(yīng)用等內(nèi)容，總結(jié)了道路檢測(cè)系統(tǒng)的構(gòu)建方案，分析典型道路檢測(cè)技術(shù)實(shí)現(xiàn)，可作為智能車(chē)輛相關(guān)功能實(shí)現(xiàn)的技術(shù)參考。隨著深度學(xué)習(xí)研究進(jìn)展和相關(guān)應(yīng)用技術(shù)的不斷成熟，現(xiàn)有道路檢測(cè)算法可以升級(jí)到深度學(xué)習(xí)架構(gòu)上。本文所提出的深度學(xué)習(xí)的環(huán)境感知平臺(tái)可以作為后續(xù)研究的參考方案。

［1］Jetson TK1［EB/OL］.［201608］.http：//elinux.org/Jetson_ TK1.

［2］周圣硯.基于學(xué)習(xí)算法的智能車(chē)輛非結(jié)構(gòu)化道路檢測(cè)技術(shù)研究［D］.北京：北京理工大學(xué)，2014.

［3］陳龍.城市環(huán)境下無(wú)人駕駛智能車(chē)感知系統(tǒng)若干關(guān)鍵技術(shù)研究［D］.武漢：武漢大學(xué)，2013.

［4］騰今朝，邱杰.利用Hough變換實(shí)現(xiàn)直線的快速精確檢測(cè)［J］.中國(guó)圖象圖形學(xué)報(bào)，2008，13（2）：234237.

［5］姬雪嬌.基于視覺(jué)信息的縮微車(chē)自主駕駛研究［D］.北京：清華大學(xué)，2011.

［6］Mobileye.Mobileye C2270［EB/OL］.［201608］.www. mobileye.com/zhcn/產(chǎn)品/mobileye c2270/.

［7］陸正辰.基于多縮微車(chē)的智能交通系統(tǒng)仿真平臺(tái)研究［D］.上海：上海交通大學(xué)，2013.

［8］王科.城市交通中智能車(chē)輛環(huán)境感知方法研究［D］.長(zhǎng)沙：湖南大學(xué)，2013.

［9］Qing Li，Nanning Zheng，Hong Cheng.Springrobot：a prototype autonomous vehicle and its algorithms for lane detection［J］.Intelligent Transportation Systems，2004，5（4）：300308.

［10］王永忠，王曉云，文成林，等.梯度點(diǎn)對(duì)約束的結(jié)構(gòu)化車(chē)道檢測(cè)［J］.中國(guó)圖象圖形學(xué)報(bào)，2012，17（6）：657663.

［11］陳本智.基于雙曲線模型的車(chē)道識(shí)別與偏離預(yù)警［J］.計(jì)算機(jī)應(yīng)用，2013，33（9）：6265.

［12］J Li，X Mei，D Prokhorov.Deep Neural Network for Structural Prediction and Lane Detection in Traffic Scene［J］. IEEE Transactions on Neural Networks and Learning Systems，2016（2）.

［13］Y C Leng，C L Chen.Vision-based lane departure detection system in urban traffic scenes［C］//Control Automation Robotics&Vision（ICARCV），2010 11th International Conference on，Singapore，2010.

［14］X Liu，G Wang，J Liao，et al.Detection of geometric shape for traffic lane and mark［C］//Information and Automation（ICIA），2012 International Conference on，Shenyang，2012.

［15］J Yu，M Zuo.A Video-Based Method for Traffic Flow Detection of Multi-lane Road［C］//2015 Seventh International Conference on Measuring Technology and Mechatronics Automation，Nanchang，2015.

Road Detection and Application of lntelligent Vehicle

Huang Wuling
（Institute of Automation，Chinese Academy of Sciences，Beijing 100190，China）

Road detection is one of the basic functions of intelligent vehicle environment perception and automated driving.Due to the complex and diversity of the traffic environment，there are lots of challenges in reliable road detection technology.This article summarizes the related works，gives sample implementation on a micro intelligent vehicle platform，analyses the typical road detection technology with the detection embedded system architecture，typical algorithms，and application in road departure warning system.It can be used as reference for other road detection system im plementations.

intelligent vehicle；environment perception；road detection；vehicular embedded system

TP277

A

黃武陵，中國(guó)科學(xué)院自動(dòng)化研究所副研究員、中國(guó)科學(xué)院大學(xué)博士，主要從事智能車(chē)輛研究，參與和主持了多項(xiàng)國(guó)家863和973、交通部和自然基金課題，發(fā)表SCI/EI論文12篇，申請(qǐng)和獲得發(fā)明專利20項(xiàng)。獲北京市科技進(jìn)步獎(jiǎng)、北京市“金橋工程”項(xiàng)目獎(jiǎng)、吳文俊人工智能科學(xué)技術(shù)進(jìn)步獎(jiǎng)、中科院教學(xué)成果獎(jiǎng)等獎(jiǎng)勵(lì)。

圖7縮微交通環(huán)境下道路檢測(cè)結(jié)果

??薛士然

2016-08-01）