車道偏離預警系統(tǒng)研究綜述＊

田傲霜，陳華清，陳學文

（1.遼寧工業(yè)大學 土木建筑工程學院，遼寧 錦州 121001；2.遼寧工業(yè)大學 汽車與交通工程學院，遼寧 錦州 121001）

1 前言

根據2018年國家三部委共同發(fā)布的《智能網聯汽車道路測試管理規(guī)范（試行）》，智能網聯汽車是以車、路、道路基礎設施為基本節(jié)點和信息源，并融合現代通信與網絡技術，具備復雜環(huán)境感知、智能決策、協(xié)同控制等功能，從而實現“車－人－道路－城市”的和諧統(tǒng)一。車道偏離預警系統(tǒng)是智能網聯汽車實現自動駕駛的重要基礎，性能可靠的車道偏離預警（LDW）與保持系統(tǒng)（LKP）可以有效避免與高速公路上側向車道內行駛的車輛發(fā)生碰撞的可能性。利用視覺圖像技術實施智能車輛前方車道線的實時檢測是車道偏離預警與保持系統(tǒng)的核心技術，其檢測方法與精度直接影響系統(tǒng)的可靠性。本文就車道線檢測內容，詳細分析其檢測方法與國內外研究進展情況，并對預警系統(tǒng)的預警模型構建進行總結與分析，對其發(fā)展方向進行展望。

2 車道線檢測系統(tǒng)

車道線檢測的方法主要包括兩類：一類是基于特征的車道線檢測方法，另一類是基于模型的車道線檢測方法?；谔卣鞯臋z測法是利用圖像邊緣特征，如形狀、紋理等檢測車道線。基于模型的車道線檢測法是對道路采用如直線、雙曲線等模型，再結合如霍夫變換或隨機一致采樣法等得到模型參數，進而實現車道線的檢測。

2.1 國內研究現狀

郜瑞芹[1]重點研究了正常天氣與大霧及雨雪等天氣條件下彎曲道路的車道線檢測方法。主要采用了 SVM 與AdaBoost算法解決特征空間的非線性問題與算法的加強學習能力等問題。最后，驗證了上述天氣條件下，針對左右彎道車道線采取不同控制算法的檢測效果。

劉富強[2]提出一種基于三維道路模型的車道線檢測算法，根據車道線顏色突變，檢測車道線的邊界，并使用卡爾曼濾波，實現車道線跟蹤。該方法魯棒性強，但是由于算法的復雜性，算法比較耗時。

景輝[3]設計了基于全局特征的車道線位置神經網絡，實現了對整條車道線的粗定位。采用神經網絡對車道線區(qū)域進行分塊，得到局部車道線，設計了兩種局部車道線重心檢測算法，實現了車道線位置的精確修正。

2.2 國外研究現狀

Li W[4]在文獻中提出一個基于子區(qū)域的車道線檢測預警系統(tǒng)。該方法首先對讀取的圖像提取出感興趣區(qū)域，為了減少不必要的圖像冗余處理，將感興趣區(qū)域分成兩個子區(qū)。采用Canny邊緣檢測算子獲取圖像中目標的邊緣特征線，以車道線寬度為輔助條件并結合Hough變換方法提取車道線。然后對提取出來的車道線形狀進行分類，若為曲線形狀則利用三次B樣條線型進行擬合處理；若為直線形狀車道線，則通過獲取的車道線的特征點進行直接擬合即可。

Gaikwad V[5]等提出了一種在道路上行駛的車輛不希望偏離車道的方法。采用分段線性拉伸函數來提高感興趣區(qū)域的對比度。將感興趣區(qū)域劃分為兩個子區(qū)域，分別對每個子區(qū)域進行霍夫變換，實現道路上的車道標記檢測。對于車道偏離的識別，主要采用基于歐氏距離變換法對車道偏離測度進行估計。該項技術的誤報警率為3%左右。

Lee S[6]等提出了一個統(tǒng)一的端到端可訓練的多任務網絡。該網絡在惡劣天氣條件下，通過一個消失點引導，共同處理車道和道路標記的檢測和識別。建立了無雨天氣、雨天、大雨及夜間等四種不同場景下17個車道和道路標記類，訓練和評估了多任務網絡，并驗證了每個任務的重要性。

3 車道預警模型

車道預警模型一般分為四類：基于當前位置的預警模型（CCP模型）；基于將來偏離量的預警模型（FOD模型）；基于車輛將橫越車道邊界時間的預警模型（TLC模型）；基于道路場景感知的預警模型（KBIRS模型）。

文獻[7]提出了基于動態(tài)劃分檢測區(qū)域的車道線檢測算法，改進了傳統(tǒng)的跨越車道線的車道偏離預警算法，設計了車道線偏離時間計算方法。對安裝的車載相機進行標定以獲取相機參數，設置了偏離時間閾值條件，決策是否實施預警。文獻[8]設計了基于車輛橫向位置和偏航角度的預警模型，在車輛偏離距離安全閾值的基礎上又增添了車輛偏航角度安全閾值，與傳統(tǒng)模型相比更加簡單高效。文獻[9]則是利用卷積神經網絡對車道線進行精確檢測，再根據本車道線的對稱情況設置偏離安全閾值，若超出該閾值則進行預警。

CCP模型通過檢測車輛在當前車道中的位置，并假定車輛大致與車道線平行，再根據車寬等已知信息，可求出車輛左右車輪當前位置相對于左右車道邊界的距離，如公式（1）所示。

式中：blane為當前車道寬度（m）；d0為車輛中心線相對于車道中心線的距離；bv為車輛的寬度（m）。 對于公式（1），若Δd＞0，則表明車輛沒有超過兩邊的臨界車道線，此時不報警；若 Δd＜0，則表明車輛已經越過兩邊的臨界車道線，此時應發(fā)出偏離報警。

FOD模型主要基于車輛在路面上未來偏離量，設立了虛擬和真實車道線，并根據側向速度、當前車輛距車道線的距離來算出預計車輛側向位置，若超出給定的邊界位置閾值，則預警。

TLC模型主要依據車輛當前的運行狀態(tài)估計出一定時間后車輛穿越車道線的時間，將估計出的時間與安全閥值相比較，從而提供預警。

圖1 轉向盤轉角不變的TLC預警示意圖

圖1為轉向盤轉角不變的TLC預警示意圖，車輛觸碰臨界車道線的時間綜合考慮了車輛的側偏角、橫擺角速度和前向速度，其模型如公式（2）—公式（4）所示。

公式（2）—公式（4）中：d（l）為車輛前輪距道路邊界線的距離（m）；v為車輛前行速度（m/s）；al為車輛側向加速度（m/s2）；Cr與CV分別為道路曲率和車輛運行軌跡曲率，且CV=?/v；?為車輛橫擺角速度（rad/s）；θ為車輛側偏角（rad）。

對于公式（4），若觸碰臨界車道線的時間tc＜tth時，發(fā)出偏離報警。

4 總結與展望

通過車道偏離預警系統(tǒng)的分析可知，LDW 技術主要包括：利用視覺圖像進行車道線的檢測方法研究和LDW 模型構建的研究兩大部分。在車道線檢測方法研究方面，可以在傳統(tǒng)車道線檢測方法基礎上，探究基于深度學習理論的車道線識別新方法或采用雙目視覺實施車道線檢測的新技術等。在車道偏離預警模型的構建方面，可以結合車輛的行駛姿態(tài)等探究車道偏離預估計模型。只有準確地檢測出車道線信息，構建合理的車道偏離預警模型，才能及時、可靠地告誡因疲勞駕駛或注意力不集中的駕駛員，使其修正無意識的車道偏離，減少和預防車道偏離事故的發(fā)生。