1、基于道路特征的車道線檢測方法綜述摘 要：智能車輛安全駕駛是車輛工程發展的重要方向，其中一個重要的環節就是車道線檢測。本文介紹了機器視覺中車道線檢測方法并針對基于道路特征的車道線檢測方法進行了分類，對各類方法中采用的不同技術進行了闡 述。最后就該領域的當前技術難點和發展前景進行了簡要論 述。關鍵詞：車道線檢測；道路特征；道路檢測中圖分類號：TP391.41 文獻標識碼：A 文章編號：1671-2064（ 2017） 08-0247-03Abstract： Safety driving ofintelligent vehicle is an important direction for the

2、development of vehicle engineering ， and the lane detection is an essential part of it. The lane detection methods based on machine vision were introduced and classified according to the road features，and the differenttechniques used in the various methods were described as well. The current technic

3、al difficulties and the development trends in this field were discussed briefly in the end.Key words ： lane detection；road features；road detection隨著社會經濟的快速發展，我國汽車保有量逐年增長，交通事故發生的頻率也在逐年提高，交通安全問題引起了人們的高度關注。應運而生的智能車輛作為一種智能移動機器人，通過融合計算機、車載傳感、自動控制、人工智能等多種技術從而實現人、車、路的智能信息交換，使汽車具備環境感知能力并達到智能駕駛。智能車輛一方面大大提高了車

4、輛駕駛的安全性與舒適性，另一方面智能車輛作為汽車工業增長的動力及世界車輛研究領域的熱點，促進了多學科的交流融合與共同發展1 。車道線檢測是智能車輛駕駛輔助系統中的重要環節。快速且有效地檢測道路圖像中的車道線不僅有利于協助路徑規劃、進行道路偏移預警與車流分析等功能，并且能為精確導航提供參照。自20 世紀 60 年代起，車道線檢測方法就開始受到廣泛重視，許多國家都投入了大量人力、物力和財力對其進行深入研究，并取得了豐碩的研究成果。目前國內外廣泛使用的車道線檢測方法主要分為兩大類： （ 1）基于道路特征的車道線檢測；（ 2）基于道路模型的車道線檢測。基于道路特征的車道線檢測作為主流檢測方法之一，主要

5、是利用車道線與道路環境的物理特征差異進行后續圖像的分割與處理，從而突出車道線特征，以實現車道線的檢測。該方法復雜度較低，實時性較高，但容易受到道路環境干擾。基于道路模型的車道線檢測主要是基于不同的二維或三維道路圖像模型（如直線型、拋物線型、樣條曲線型、組合模型等），采用相應方法確定各模型參數，然后進行車道線擬合。該方法對特定道路的檢測具有較高的準確度，但局限性強、運算量大、實時性較差。本文著重介紹了當前基于道路特征的車道線檢測方法，討論了存在的?題及未來發展趨勢。1 基于道路特征的車道檢測基于道路特征的車道線檢測方法主要是利用車道線與道路環境的物理特征的差異進行后續圖像的分割與處理，以突出車道

6、線特征，從而實現車道線的檢測。根據提取的不同特征，可進一步分為基于顏色特征的檢測方法、基于紋理特征的檢測方法和基于多特征融合的檢測方法。1.1 基于顏色特征的檢測方法1.1.1 基于灰度特征的檢測方法該方法是利用從灰度圖像中提取的灰度特征檢測出道路邊界及車道標識，其中的灰度圖像既可以由系統直接采集，也可以由原始圖像轉換生成。該方法結構簡單，應用廣泛，尤其適用于車道線清晰且路面均勻的結構化道路。但當路面存在陰影或異物遮擋、光照變化強烈或非結構化路面等情況時，該方法一般無法達到理想檢測效果。傳統灰度梯度檢測方法2， 3主要依賴于車道線與道路路面的區別，即在灰度圖像中，車道線像素的灰度通常要遠大于非

7、車道線像素的灰度。因此可以通過選定合適的閾值來區分車道線像素與非車道線像素，之后利用車道線的梯度特征來檢測車道線。傳統方法雖然簡單易操作，但在某些環境發生變化的情況下，很難確定出適應于整個圖像的單一閾值。針對這個問題，目前有很多文獻提出了改進方法。文獻 4 根據左右車道線的角度值采用不同的定向邊緣抽取算子，對灰度圖像和邊緣圖像進行雙閾值二值化以減少環境因素的影響。為適應道路的動態變化及復雜明暗變化，對灰度圖像閾值做了自適應調整，從而能準確濾除雜點并保留車道線像素。最后通過掃描和區域劃分提取出車道線，并以 THMR-V 智能車為實驗平臺在多時段、多路段進行測試并獲得了較高的平均識別率。文獻 5

8、基于車道線像素是由較暗區域包圍明亮區域的假設，通過局部灰度閾值方法實現車道線特征提取，將均值濾波后的平滑圖像與原圖相減獲得差分圖像以進一步閾值處理，從而分割出車道線。文獻 67 對原始圖像進行逆透視變換，通過車道線在道路環境下形成的Dark-Light-Dark 特征提取單線DLD 特征及雙線 DLDLD 特征圖像，從而獲得車道線的候選區域。這種方法更適合于較為復雜的城市道路，簡單易操作，但不可避免地存在一定噪聲，通常需要和其他檢測方法結合使用。1.1.2 基于彩色特征的檢測方法該方法是利用序列圖像中的色彩信息特征檢測出道路邊界及車道標識。由于色彩信息對圖像或圖像區域的大小、方向等特征變化不敏

9、感，所以利用色彩特征不能有效地捕捉目標的局部特征。另外，當數據庫很大時，若僅利用顏色特征查詢，常會把大量不需要的圖像也檢索出來。早期的代表方法，美國卡內基梅隆大學的SCARF 系統 8 將圖像中的像素點基于其各自顏色進行聚類，區分出道路類和非道路類，并根據道路在圖像中表現為梯形的兩條斜邊的假設， 利用 Hough 變換識別車道線。但由于受到梯形模型與車道區域的限制，該系統無法滿足多車道行車以及避障操作的需求。文獻 9 根據邊緣圖像先估計出道路邊界，確定后續道路檢測中的統計區域，然后利用彩色圖像中均值和方差的高斯分布檢測出道路區域。文獻 10 在 RGB 顏色空間中，利用先驗信息對圖像中與路面顏

10、色差異較大且具有合理寬度的像素段的顏色進行辨識，并由辨識結果分別估計出黃色或白色車道線的顏色分割閾值，從而進一步檢測車道線。該方法運算速度快，但局限于顏色特征較清晰的結構化道路。文獻 11利用 RBG 顏色空間及車道線亮度特性，優先針對白色、黃色像素進行處理，從而增加車道線像素的占有率，增強目標與背景之間的對比度。文獻12 利用HSV 顏色空間將色彩分為色度、飽和度及亮度，設定車道線的對應閾值并據此對顏色進行歸類，將其中占主導地位的對應顏色作為識別結果從而檢測出車道線及其所屬類型。1.2 基于紋理特征的檢測方法該方法是在包含多個像素點的區域中對紋理強度和紋理方向進行統計計算，以獲得滿足車道線檢

11、測要求的結果，具有較強的抗噪能力。但當圖像的分辨率改變時，統計計算結果可能會有較大偏差。另外，由于受光照等因素干擾，從二維圖像中得到的紋理不一定是三維物體表面的真實紋理，這也對檢測結果有一定影響。文獻 13 把道路區域與非道路區域的紋理特征和道路結構作為信息源，根據統計信息自動獲取最佳候選結果從而劃分出道路區域。文獻 1415 通過 Gabor 濾波器檢測圖像紋理方向進而估計出消失點位置。當直線方向和紋理方向一致時才被判定為車道線。該方法具有較好的魯棒性，但在部分具有公路護欄的道路中會產生誤判現象。文獻16 利用不同頻率多方向的Gabor 模板對采集到的道路圖像進行變換分析，根據各個像素點的紋

12、理強度以及方向特征值投票獲得道路消失點，并利用從有效投票區域中提取的直線斜率建立通過消失點的道路方程，從而在非結構道路中劃分出道路區域。文獻 17 結合多尺度稀疏編碼，在大尺度上使用道路局部紋理信息，在中小尺度上利用道路的上下文結構特征進行道路劃分，從而更加有效地區分出道路與周邊環境的相似紋理。該方法在寬幅路面、車輛遮擋和交叉路口等情況下都具有較好的識別效果，但在陰影遮擋及昏暗環境下識別率較低。1.3 基于多特征融合的檢測方法針對單一方法的固有不足，逐漸產生了融合多特征進行車道線的檢測方法，通過綜合運用不同特征的特性來提高車道線檢測效果。隨著圖像處理技術的不斷發展，基于道路特征的車道線檢測方法

13、越來越多。文獻 18 分別針對采樣圖像的灰度圖像和彩色圖像進行特征提取，利用Sobel 算子計算邊緣強度、邊緣強度因子、邊緣方向和邊緣方向因子，在HSV 顏色空間中計算色調因子和亮度因子，根據圖像飽和度進行對應切換，在飽和度高時使用色調因子，在飽和度低時使用亮度因子，并根據基礎概率進行分配融合多特征信息，最終實現車道線檢測。文獻19 利用光流法獲取道路的平行特征，通過卡爾曼濾波與傳統幾何特征進行融合，從而最終提取道路邊界。該方法能克服部分不利的氣候條件，并提高車道曲率等參數估計的準確度。光流法實質上是利用圖像上各點的灰度隨時間的變化趨勢快速檢測出目標對象的方法，適用于動態場景，但計算復雜且耗時

14、，難以充分滿足車道線檢測的實時性要求，一般需要有特殊硬件支持。文獻20 首先通過消失點和消失線分割道路區域，并對圖像進行方向隨動濾波處理，然后融合道路紋理方向、邊界平行度、像素灰度值等多種特征進而綜合構造出車道置信度函數，最后采用概率Hough 變換提取車道線。該方法抗干擾能力較強，但對大曲率車道線檢測跟蹤的魯棒性較低。2 結語目前，基于道路特征的車道線檢測在車道偏離預警系統、車道保持輔助系統、自動泊車輔助系統、行車輔助系統等領域均得到了廣泛應用。在民用上，可以輔助駕駛，提高行車安全性；在工業上，可以用于搬運貨物，提高生產效率；在軍事上，可以實現危險路段自動行駛，減少人員傷亡。從長遠而言，基于

15、道路特征的車道線檢測方法的研究也具有重要的理論意義及實用價值，但同時仍需要克服以下技術難點：（ 1）通用于結構化道路及非結構化道路的車道線檢測。目前，基于道路特征的車道線檢測主要針對單一道路進行車道線特征提取，尤其是對于具有清晰的道路標線的結構化道路，更易于檢測并得到更高準確度，而對于沒有明顯道路標線的非結構化道路（諸如普通城市道路、鄉村道路等），常常需要針對其道路特性采用特定方法進行處理。因此，提供一種能夠對各類道路都能提取出有效特征的通用方法仍是一個難題，有待深入研究。（ 2）惡劣環境下的車道線檢測。目前，基于道路特征的車道線檢測已有針對諸如陰影遮擋、光強變化、夜間行車等各類環境干擾因素的

16、對應處理方法，但是只能單獨解決其中有限干擾的問題，無法避免其他干擾，不具備足夠的廣泛適用性。（ 3）市內擁堵環境下的車道線檢測。當道路環境中有較多弱勢交通參與者（行人、自行車、助動車等）時，路況復雜、隨機性大，針對這種情況如何利用高效準確的方法提取道路特征有待進一步研究。盡管現有基于道路特征的車道線檢測方法仍存在一些問題， 但隨著人們重視程度的日益提高、相 ?P 技術的快速進步，以及研究的不斷深入，這些問題終將逐步得到解決，并會進一步促進智能駕駛的發展與應用：（ 1）車道線檢測的可靠性、實時性、魯棒性進一步提高。其中，可靠性包括更加準確地檢測并識別道路環境中的車道線，排除無關干擾信息。實時性包

17、括從算法上進一步提高及從硬件上進一步增強，從而更加快速完成檢測任務，滿足系統需求。魯棒性包括對不同天氣環境及復雜道路環境均具有良好的適應性。（ 2）多特征信息及多傳感器信息融合。通過多特征信息融合增強車道線檢測的準確度和系統適應性。通過多傳感器信息融合以獲得更多道路特征信息從而增強對車輛周圍環境的綜合感知。（ 3）多車的信息通訊及協同規劃。隨著車聯網的快速發展，可利用車聯網獲取他車已知道路特征信息，如前后方道路特征信息、多車道行駛時他車道路特征信息等，為自車車道線檢測提供更豐富有效的信息資源，從而促進安全駕駛。參考文獻I 中國公路學報編輯部.中國交通工程學術研究綜述 ?2016J. 中國公路學

18、報，2016， 29（ 6） ： 1-161.2Sawano H ， Okada M. A Road Extraction Method by an Active Contour Model with Inertia and Differential FeaturesJ. IEICE - Transactions on Information and Systems ，2006，E89-D（ 7） ： 2257-2267.3Nieto M ， Salgado L， Jaureguizar F， et al. Robust multiple lane road modeling based on

19、 perspective analysisC. Image Processing，2008. ICIP 2008. 15th IEEE InternationalConference on. IEEE，2008：2396-2399.4 李若皓，丁冬花.一種基于掃描線的車道線識別算法J . 微計算機信息，2008， 24（ 16） ： 244-246.5Evangeline Pollard ， Dominique Gruyer ， Jean-Philippe Tarel，etal. Lane Marking Extraction with CombinationStrategy and Comp

20、arative Evaluation on Synthetic and Camera ImagesC. 14th International IEEE Conference on Intelligent Transportation Systems，Washington DC， 2011 ： 1741-1746.6Felisa M ， Zani P. Robust monocular lane detection in urban environmentsC. Intelligent Vehicles Symposium （ IV ） ，2010： 591-596.7 宋 ?粵眨?高巧明，張偉

21、偉 .車道線提取及偏離預警方法P.中國，發明專利，2012100853541， 2012-03-28.8Crisman J D ， Thorpe C E. SCARF ： a color vision system that tracks roads and intersectionsJ. IEEE Transactions on Robotics & Automation ， 1993， 9（ 1） ： 49-58.9Y He ， H Wang，B Zhang.Color-based road detectionin urban traffic scenesJ.IEEE Transa

22、ctions on Intelligent Transportation Systems， 2004， 5（ 4） ： 309-318.10 楊益，何穎.基于RGB 空間的車道線檢測與辨識方法 J. 計算機與現代化，2014（ 2） ： 86-90.11 陳濤，張洪丹，陳東，譚純.基于優先像素與卡爾曼濾波追蹤的車道線檢測J. 汽車工程，2016， 38（ 2） ： 200-205，220.12 顧霄琳，楊明，王冰，王春香.基于環視的道路標線檢測與識別J. 華中科技大學學報（自然科學版）， 2013， 41（ A1 ） ： 233-236.13Graovac S ， Goma A. Detection of Road Image Borders Based on Texture ClassificationJ. International Journal of Advanced Robotic Systems ， 2012， 9（ 242） ： 1.14Kong H ， Audibert J Y ， Ponce J. Vanishing pointdetection for road detect