王春陽(yáng)

【摘 要】安全在行車(chē)駕駛中是永恒不變的話(huà)題，安全偏離預(yù)警輔助駕駛與無(wú)人駕駛越來(lái)越受到關(guān)注。而偏離預(yù)警輔助駕駛與無(wú)人駕駛的前提是準(zhǔn)確識(shí)別車(chē)道。本文對(duì)近15年車(chē)道檢測(cè)方法分析說(shuō)明其現(xiàn)狀、存在的問(wèn)題與發(fā)展趨勢(shì)。

【關(guān)鍵詞】車(chē)道檢測(cè)；結(jié)構(gòu)化車(chē)道；非結(jié)構(gòu)化車(chē)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(duì)車(chē)身周?chē)鷱?fù)雜環(huán)境的感知都是其實(shí)現(xiàn)輔助駕駛或者無(wú)人駕駛進(jìn)行規(guī)劃決策的前提條件。而車(chē)道檢測(cè)又是智能汽車(chē)對(duì)環(huán)境理解的重要組成部分。對(duì)無(wú)人駕駛，車(chē)道檢測(cè)作用是路徑規(guī)劃與決策，實(shí)現(xiàn)車(chē)輛智能檢測(cè)出可行車(chē)道，最終實(shí)現(xiàn)全智能的無(wú)人駕駛。對(duì)輔助駕駛，車(chē)道檢測(cè)的主要作用是車(chē)道偏離預(yù)警。

1 車(chē)道檢測(cè)

車(chē)道按照修建規(guī)格大體分為結(jié)構(gòu)化道路和非結(jié)構(gòu)化車(chē)道兩種。結(jié)構(gòu)化車(chē)道一般具有比較清晰的車(chē)道線(xiàn)或者邊界，非結(jié)構(gòu)化車(chē)道一般沒(méi)有車(chē)道線(xiàn)和清晰的道路邊界。

1.1 結(jié)構(gòu)化車(chē)道檢測(cè)

針對(duì)結(jié)構(gòu)化車(chē)道，目前國(guó)內(nèi)外應(yīng)用比較廣泛的檢測(cè)方法以車(chē)道兩側(cè)的標(biāo)準(zhǔn)線(xiàn)作為檢測(cè)依據(jù)，可劃分為基于車(chē)道特征和基于車(chē)道模型兩大類(lèi)。

（1）于道路特征的檢測(cè)方法

文獻(xiàn)[1]根據(jù)道路圖像像素點(diǎn)的灰度分布特征，將其劃分為4類(lèi)，并進(jìn)行多方向搜索，去除虛假邊界點(diǎn)，最后利用Hough變換檢測(cè)車(chē)道標(biāo)識(shí)線(xiàn)。文獻(xiàn)[2]利用紋理特征和顏色特征對(duì)圖像進(jìn)行分割與融合。文獻(xiàn)[3]利用光強(qiáng)度檢測(cè)道路邊緣和真彩色檢測(cè)道路區(qū)域，獲得可能的道路區(qū)域，并計(jì)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(cè)方法

文獻(xiàn)[4]采用基于B樣條曲線(xiàn)模型的車(chē)道標(biāo)識(shí)線(xiàn)檢測(cè)與跟蹤方法，通過(guò)獲取車(chē)道中心線(xiàn)完成車(chē)道線(xiàn)檢測(cè)。文獻(xiàn)[5]采用直線(xiàn)模型擬合兩側(cè)標(biāo)識(shí)線(xiàn)，并利用感興趣區(qū)域，縮小車(chē)道線(xiàn)檢測(cè)范圍，利用Hough直線(xiàn)檢測(cè)方法定位車(chē)道邊界。文獻(xiàn)[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(xiàn)，利用卡爾曼濾波將前一幀的檢測(cè)結(jié)果用于估計(jì)下一幀圖像車(chē)道線(xiàn)參數(shù)。

1.2 非結(jié)構(gòu)化車(chē)道檢測(cè)

非結(jié)構(gòu)化車(chē)道大致可分為三類(lèi)：基于道路特征的檢測(cè)方法、基于道路模型的檢測(cè)方法和基于神經(jīng)網(wǎng)絡(luò)的檢測(cè)方法。

（1）基于道路特征的檢測(cè)方法

文獻(xiàn)[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(shí)現(xiàn)非結(jié)構(gòu)化道路跟蹤。文獻(xiàn)[8]根據(jù)彩色模型概率機(jī)制分割圖像，同時(shí)進(jìn)行約束性邊緣檢測(cè)，然后融合兩者結(jié)果，最后通過(guò)動(dòng)態(tài)規(guī)劃方法求得到道路邊界。文獻(xiàn)[9]通過(guò)對(duì)像素點(diǎn)的紋理強(qiáng)度以及方向特征的分析，投票獲的候選消失點(diǎn)，然后獲得目標(biāo)區(qū)域的直線(xiàn)斜率，結(jié)合消失點(diǎn)建立直線(xiàn)方程，從而獲取可行的道路區(qū)域。

（2）基于道路模型的檢測(cè)方法

文獻(xiàn)[10]提出一種基于多模型相結(jié)合的非結(jié)構(gòu)化道路檢測(cè)算法。利用混合高斯模型和拋物線(xiàn)模型相結(jié)合，擬合并提取道路邊界曲線(xiàn) 文獻(xiàn)[11]提出一種基于自適應(yīng)變形模板的非結(jié)構(gòu)化道路檢測(cè)算法。通過(guò)邊緣跟蹤實(shí)時(shí)生成道路形狀，并預(yù)測(cè)下一段道路可能的形狀，已達(dá)到道路檢測(cè)目的。

（3）基于神經(jīng)網(wǎng)絡(luò)的檢測(cè)方法

文獻(xiàn)[12]利用ICM分割圖像，然后利用最小交叉熵判決機(jī)制選取交叉熵最小的圖像，以檢測(cè)非結(jié)構(gòu)化道路。文獻(xiàn)[13]利用主元神經(jīng)網(wǎng)絡(luò)提取對(duì)圖像的顏色與空間特征的主成分，統(tǒng)計(jì)道路邊緣窗，根據(jù)通過(guò)利用粒子濾波器估計(jì)道路狀態(tài)。文獻(xiàn)[14]利用紋理特征值作為BP神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行訓(xùn)練獲得網(wǎng)絡(luò)的閥值，然后采用訓(xùn)練好的網(wǎng)絡(luò)對(duì)圖像進(jìn)行小塊分析，找出道路部分，直到處理完整個(gè)圖像獲得道路區(qū)域。

1.3 復(fù)合型車(chē)道檢測(cè)

復(fù)合型車(chē)道結(jié)構(gòu)測(cè)到與非結(jié)構(gòu)化車(chē)道的統(tǒng)稱(chēng)。文獻(xiàn)[15]利用攝像機(jī)獲得車(chē)道線(xiàn)信息，雷達(dá)獲得護(hù)欄信息，雷達(dá)-攝像機(jī)融合系統(tǒng)獲得車(chē)道邊界信息。利用圖像紋理特征提取車(chē)道線(xiàn)和邊界，再采用卡爾曼濾波算法估計(jì)車(chē)道。文獻(xiàn)[16]利用攝像機(jī)獲得車(chē)道圖像，對(duì)圖像進(jìn)行紋理濾波獲得車(chē)道邊界以及車(chē)道線(xiàn)。由雷達(dá)獲得車(chē)道邊界信息。融合這些信息獲得車(chē)道曲率、主車(chē)與車(chē)道的相對(duì)位置等信息。再通過(guò)權(quán)重粒子法估計(jì)車(chē)道。文獻(xiàn)[17]提出一種分層的車(chē)道檢測(cè)算法。利用車(chē)道線(xiàn)來(lái)分類(lèi)車(chē)道類(lèi)型，利用特征選型車(chē)道，再采用對(duì)應(yīng)的車(chē)道檢測(cè)算法。

2 總結(jié)

影響車(chē)道檢測(cè)的主要因素有車(chē)道類(lèi)型多樣化、車(chē)輛與車(chē)道信息是否充分利用等。車(chē)輛和車(chē)道信息包含車(chē)輛的速度、車(chē)道線(xiàn)、車(chē)道邊界、車(chē)道護(hù)欄、引導(dǎo)車(chē)輛的速度等信息。在目前的車(chē)道檢測(cè)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(duì)結(jié)構(gòu)化和非結(jié)構(gòu)化車(chē)道檢測(cè)都有一定成就。但是這些方法都只適用于其單一類(lèi)型車(chē)道并不適用于對(duì)包含以上兩種類(lèi)型車(chē)道的復(fù)合型車(chē)道的檢測(cè)。針對(duì)復(fù)合型的車(chē)道檢測(cè)技術(shù)相對(duì)較落后，現(xiàn)在仍處于初步探索階段。

【參考文獻(xiàn)】

[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(mǎn)祿，張華.基于特征模型的非結(jié)構(gòu)化道路跟蹤算法研究[J].微型機(jī)與應(yīng)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(xué)學(xué)報(bào)：工學(xué)版，2006，40（1）：29-32.[9]劉富，袁雨桐，李洋.基于紋理特征的非結(jié)構(gòu)化道路分割算法[J].計(jì)算機(jī)應(yīng)用，2015，35（S2）：271-273.

[10]劉媛，宋曉琳，張偉偉.基于多模型結(jié)合優(yōu)化的非結(jié)構(gòu)化道路檢測(cè)算法[J].工程設(shè)計(jì)學(xué)報(bào)，2013（02）：157-162.

[11]基于陳清華，楊靜宇，陳建亭.基于自適應(yīng)變形模板的非結(jié)構(gòu)化道路檢測(cè)[J].東南大學(xué)學(xué)報(bào)，2007（06）.

[12]高慶吉，張磊.基于交叉視覺(jué)皮質(zhì)模型的[J].電子學(xué)報(bào)，2011（10）：2366-2371.

[13]李青，鄭南宇，馬麟.基于主元神經(jīng)網(wǎng)絡(luò)的非結(jié)構(gòu)化道路跟蹤[J].機(jī)器人，2005（03）.

[14]呂艷鵬，潘玉田.基于BP神經(jīng)網(wǎng)絡(luò)的非結(jié)構(gòu)化道路識(shí)別[J].機(jī)械工程與自動(dòng)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(zé)任編輯：楊玉潔]