基于道路特征的車道線檢測(cè)方法綜述

陳靜思　張愛軍

摘 要：智能車輛安全駕駛是車輛工程發(fā)展的重要方向，其中一個(gè)重要的環(huán)節(jié)就是車道線檢測(cè)。本文介紹了機(jī)器視覺中車道線檢測(cè)方法并針對(duì)基于道路特征的車道線檢測(cè)方法進(jìn)行了分類，對(duì)各類方法中采用的不同技術(shù)進(jìn)行了闡述。最后就該領(lǐng)域的當(dāng)前技術(shù)難點(diǎn)和發(fā)展前景進(jìn)行了簡(jiǎn)要論述。

關(guān)鍵詞：車道線檢測(cè)；道路特征；道路檢測(cè)

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2017）08-0247-03

Abstract：Safety driving ofintelligent vehicle is an important direction for the 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 different techniques used in the various methods were described as well. The current technical 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(huì)經(jīng)濟(jì)的快速發(fā)展，我國(guó)汽車保有量逐年增長(zhǎng)，交通事故發(fā)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(guān)注。應(yīng)運(yùn)而生的智能車輛作為一種智能移動(dòng)機(jī)器人，通過融合計(jì)算機(jī)、車載傳感、自動(dòng)控制、人工智能等多種技術(shù)從而實(shí)現(xiàn)人、車、路的智能信息交換，使汽車具備環(huán)境感知能力并達(dá)到智能駕駛。智能車輛一方面大大提高了車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(yè)增長(zhǎng)的動(dòng)力及世界車輛研究領(lǐng)域的熱點(diǎn)，促進(jìn)了多學(xué)科的交流融合與共同發(fā)展[1]。

車道線檢測(cè)是智能車輛駕駛輔助系統(tǒng)中的重要環(huán)節(jié)?？焖偾矣行У貦z測(cè)道路圖像中的車道線不僅有利于協(xié)助路徑規(guī)劃、進(jìn)行道路偏移預(yù)警與車流分析等功能，并且能為精確導(dǎo)航提供參照。自20世紀(jì)60年代起，車道線檢測(cè)方法就開始受到廣泛重視，許多國(guó)家都投入了大量人力、物力和財(cái)力對(duì)其進(jìn)行深入研究，并取得了豐碩的研究成果。

目前國(guó)內(nèi)外廣泛使用的車道線檢測(cè)方法主要分為兩大類：（1）基于道路特征的車道線檢測(cè)；（2）基于道路模型的車道線檢測(cè)?；诘缆诽卣鞯能嚨谰€檢測(cè)作為主流檢測(cè)方法之一，主要是利用車道線與道路環(huán)境的物理特征差異進(jìn)行后續(xù)圖像的分割與處理，從而突出車道線特征，以實(shí)現(xiàn)車道線的檢測(cè)。該方法復(fù)雜度較低，實(shí)時(shí)性較高，但容易受到道路環(huán)境干擾?；诘缆纺Ｐ偷能嚨谰€檢測(cè)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(yīng)方法確定各模型參數(shù)，然后進(jìn)行車道線擬合。該方法對(duì)特定道路的檢測(cè)具有較高的準(zhǔn)確度，但局限性強(qiáng)、運(yùn)算量大、實(shí)時(shí)性較差。本文著重介紹了當(dāng)前基于道路特征的車道線檢測(cè)方法，討論了存在的問題及未來(lái)發(fā)展趨勢(shì)。

1 基于道路特征的車道檢測(cè)

基于道路特征的車道線檢測(cè)方法主要是利用車道線與道路環(huán)境的物理特征的差異進(jìn)行后續(xù)圖像的分割與處理，以突出車道線特征，從而實(shí)現(xiàn)車道線的檢測(cè)。根據(jù)提取的不同特征，可進(jìn)一步分為基于顏色特征的檢測(cè)方法、基于紋理特征的檢測(cè)方法和基于多特征融合的檢測(cè)方法。

1.1 基于顏色特征的檢測(cè)方法

1.1.1 基于灰度特征的檢測(cè)方法

該方法是利用從灰度圖像中提取的灰度特征檢測(cè)出道路邊界及車道標(biāo)識(shí)，其中的灰度圖像既可以由系統(tǒng)直接采集，也可以由原始圖像轉(zhuǎn)換生成。該方法結(jié)構(gòu)簡(jiǎn)單，應(yīng)用廣泛，尤其適用于車道線清晰且路面均勻的結(jié)構(gòu)化道路。但當(dāng)路面存在陰影或異物遮擋、光照變化強(qiáng)烈或非結(jié)構(gòu)化路面等情況時(shí)，該方法一般無(wú)法達(dá)到理想檢測(cè)效果。

傳統(tǒng)灰度梯度檢測(cè)方法[2，3]主要依賴于車道線與道路路面的區(qū)別，即在灰度圖像中，車道線像素的灰度通常要遠(yuǎn)大于非車道線像素的灰度。因此可以通過選定合適的閾值來(lái)區(qū)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(lái)檢測(cè)車道線。傳統(tǒng)方法雖然簡(jiǎn)單易操作，但在某些環(huán)境發(fā)生變化的情況下，很難確定出適應(yīng)于整個(gè)圖像的單一閾值。針對(duì)這個(gè)問題，目前有很多文獻(xiàn)提出了改進(jìn)方法。

文獻(xiàn)[4]根據(jù)左右車道線的角度值采用不同的定向邊緣抽取算子，對(duì)灰度圖像和邊緣圖像進(jìn)行雙閾值二值化以減少環(huán)境因素的影響。為適應(yīng)道路的動(dòng)態(tài)變化及復(fù)雜明暗變化，對(duì)灰度圖像閾值做了自適應(yīng)調(diào)整，從而能準(zhǔn)確濾除雜點(diǎn)并保留車道線像素。最后通過掃描和區(qū)域劃分提取出車道線，并以THMR-V智能車為實(shí)驗(yàn)平臺(tái)在多時(shí)段、多路段進(jìn)行測(cè)試并獲得了較高的平均識(shí)別率。

文獻(xiàn)[5]基于車道線像素是由較暗區(qū)域包圍明亮區(qū)域的假設(shè)，通過局部灰度閾值方法實(shí)現(xiàn)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(jìn)一步閾值處理，從而分割出車道線。

文獻(xiàn)[6][7]對(duì)原始圖像進(jìn)行逆透視變換，通過車道線在道路環(huán)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(qū)域。這種方法更適合于較為復(fù)雜的城市道路，簡(jiǎn)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(cè)方法結(jié)合使用。

1.1.2 基于彩色特征的檢測(cè)方法

該方法是利用序列圖像中的色彩信息特征檢測(cè)出道路邊界及車道標(biāo)識(shí)。由于色彩信息對(duì)圖像或圖像區(qū)域的大小、方向等特征變化不敏感，所以利用色彩特征不能有效地捕捉目標(biāo)的局部特征。另外，當(dāng)數(shù)據(jù)庫(kù)很大時(shí)，若僅利用顏色特征查詢，常會(huì)把大量不需要的圖像也檢索出來(lái)。

早期的代表方法，美國(guó)卡內(nèi)基梅隆大學(xué)的SCARF系統(tǒng)[8]將圖像中的像素點(diǎn)基于其各自顏色進(jìn)行聚類，區(qū)分出道路類和非道路類，并根據(jù)道路在圖像中表現(xiàn)為梯形的兩條斜邊的假設(shè)，利用Hough變換識(shí)別車道線。但由于受到梯形模型與車道區(qū)域的限制，該系統(tǒng)無(wú)法滿足多車道行車以及避障操作的需求。

文獻(xiàn)[9]根據(jù)邊緣圖像先估計(jì)出道路邊界，確定后續(xù)道路檢測(cè)中的統(tǒng)計(jì)區(qū)域，然后利用彩色圖像中均值和方差的高斯分布檢測(cè)出道路區(qū)域。文獻(xiàn)[10]在RGB顏色空間中，利用先驗(yàn)信息對(duì)圖像中與路面顏色差異較大且具有合理寬度的像素段的顏色進(jìn)行辨識(shí)，并由辨識(shí)結(jié)果分別估計(jì)出黃色或白色車道線的顏色分割閾值，從而進(jìn)一步檢測(cè)車道線。該方法運(yùn)算速度快，但局限于顏色特征較清晰的結(jié)構(gòu)化道路。文獻(xiàn)[11]利用RBG顏色空間及車道線亮度特性，優(yōu)先針對(duì)白色、黃色像素進(jìn)行處理，從而增加車道線像素的占有率，增強(qiáng)目標(biāo)與背景之間的對(duì)比度。文獻(xiàn)[12]利用HSV顏色空間將色彩分為色度、飽和度及亮度，設(shè)定車道線的對(duì)應(yīng)閾值并據(jù)此對(duì)顏色進(jìn)行歸類，將其中占主導(dǎo)地位的對(duì)應(yīng)顏色作為識(shí)別結(jié)果從而檢測(cè)出車道線及其所屬類型。

1.2 基于紋理特征的檢測(cè)方法

該方法是在包含多個(gè)像素點(diǎn)的區(qū)域中對(duì)紋理強(qiáng)度和紋理方向進(jìn)行統(tǒng)計(jì)計(jì)算，以獲得滿足車道線檢測(cè)要求的結(jié)果，具有較強(qiáng)的抗噪能力。但當(dāng)圖像的分辨率改變時(shí)，統(tǒng)計(jì)計(jì)算結(jié)果可能會(huì)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(shí)紋理，這也對(duì)檢測(cè)結(jié)果有一定影響。

文獻(xiàn)[13]把道路區(qū)域與非道路區(qū)域的紋理特征和道路結(jié)構(gòu)作為信息源，根據(jù)統(tǒng)計(jì)信息自動(dòng)獲取最佳候選結(jié)果從而劃分出道路區(qū)域。文獻(xiàn)[14][15]通過Gabor濾波器檢測(cè)圖像紋理方向進(jìn)而估計(jì)出消失點(diǎn)位置。當(dāng)直線方向和紋理方向一致時(shí)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(hù)欄的道路中會(huì)產(chǎn)生誤判現(xiàn)象。文獻(xiàn)[16]利用不同頻率多方向的Gabor模板對(duì)采集到的道路圖像進(jìn)行變換分析，根據(jù)各個(gè)像素點(diǎn)的紋理強(qiáng)度以及方向特征值投票獲得道路消失點(diǎn)，并利用從有效投票區(qū)域中提取的直線斜率建立通過消失點(diǎn)的道路方程，從而在非結(jié)構(gòu)道路中劃分出道路區(qū)域。文獻(xiàn)[17]結(jié)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(jié)構(gòu)特征進(jìn)行道路劃分，從而更加有效地區(qū)分出道路與周邊環(huán)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(shí)別效果，但在陰影遮擋及昏暗環(huán)境下識(shí)別率較低。

1.3 基于多特征融合的檢測(cè)方法

針對(duì)單一方法的固有不足，逐漸產(chǎn)生了融合多特征進(jìn)行車道線的檢測(cè)方法，通過綜合運(yùn)用不同特征的特性來(lái)提高車道線檢測(cè)效果。隨著圖像處理技術(shù)的不斷發(fā)展，基于道路特征的車道線檢測(cè)方法越來(lái)越多。

文獻(xiàn)[18]分別針對(duì)采樣圖像的灰度圖像和彩色圖像進(jìn)行特征提取，利用Sobel算子計(jì)算邊緣強(qiáng)度、邊緣強(qiáng)度因子、邊緣方向和邊緣方向因子，在HSV顏色空間中計(jì)算色調(diào)因子和亮度因子，根據(jù)圖像飽和度進(jìn)行對(duì)應(yīng)切換，在飽和度高時(shí)使用色調(diào)因子，在飽和度低時(shí)使用亮度因子，并根據(jù)基礎(chǔ)概率進(jìn)行分配融合多特征信息，最終實(shí)現(xiàn)車道線檢測(cè)。文獻(xiàn)[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(tǒng)幾何特征進(jìn)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(shù)估計(jì)的準(zhǔn)確度。光流法實(shí)質(zhì)上是利用圖像上各點(diǎn)的灰度隨時(shí)間的變化趨勢(shì)快速檢測(cè)出目標(biāo)對(duì)象的方法，適用于動(dòng)態(tài)場(chǎng)景，但計(jì)算復(fù)雜且耗時(shí)，難以充分滿足車道線檢測(cè)的實(shí)時(shí)性要求，一般需要有特殊硬件支持。文獻(xiàn)[20]首先通過消失點(diǎn)和消失線分割道路區(qū)域，并對(duì)圖像進(jìn)行方向隨動(dòng)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(jìn)而綜合構(gòu)造出車道置信度函數(shù)，最后采用概率Hough變換提取車道線。該方法抗干擾能力較強(qiáng)，但對(duì)大曲率車道線檢測(cè)跟蹤的魯棒性較低。

2 結(jié)語(yǔ)

目前，基于道路特征的車道線檢測(cè)在車道偏離預(yù)警系統(tǒng)、車道保持輔助系統(tǒng)、自動(dòng)泊車輔助系統(tǒng)、行車輔助系統(tǒng)等領(lǐng)域均得到了廣泛應(yīng)用。在民用上，可以輔助駕駛，提高行車安全性；在工業(yè)上，可以用于搬運(yùn)貨物，提高生產(chǎn)效率；在軍事上，可以實(shí)現(xiàn)危險(xiǎn)路段自動(dòng)行駛，減少人員傷亡。從長(zhǎng)遠(yuǎn)而言，基于道路特征的車道線檢測(cè)方法的研究也具有重要的理論意義及實(shí)用價(jià)值，但同時(shí)仍需要克服以下技術(shù)難點(diǎn)：

（1）通用于結(jié)構(gòu)化道路及非結(jié)構(gòu)化道路的車道線檢測(cè)。目前，基于道路特征的車道線檢測(cè)主要針對(duì)單一道路進(jìn)行車道線特征提取，尤其是對(duì)于具有清晰的道路標(biāo)線的結(jié)構(gòu)化道路，更易于檢測(cè)并得到更高準(zhǔn)確度，而對(duì)于沒有明顯道路標(biāo)線的非結(jié)構(gòu)化道路（諸如普通城市道路、鄉(xiāng)村道路等），常常需要針對(duì)其道路特性采用特定方法進(jìn)行處理。因此，提供一種能夠?qū)Ω黝惖缆范寄芴崛〕鲇行卣鞯耐ㄓ梅椒ㄈ允且粋€(gè)難題，有待深入研究。

（2）惡劣環(huán)境下的車道線檢測(cè)。目前，基于道路特征的車道線檢測(cè)已有針對(duì)諸如陰影遮擋、光強(qiáng)變化、夜間行車等各類環(huán)境干擾因素的對(duì)應(yīng)處理方法，但是只能單獨(dú)解決其中有限干擾的問題，無(wú)法避免其他干擾，不具備足夠的廣泛適用性。

（3）市內(nèi)擁堵環(huán)境下的車道線檢測(cè)。當(dāng)?shù)缆翻h(huán)境中有較多弱勢(shì)交通參與者（行人、自行車、助動(dòng)車等）時(shí)，路況復(fù)雜、隨機(jī)性大，針對(duì)這種情況如何利用高效準(zhǔn)確的方法提取道路特征有待進(jìn)一步研究。

盡管現(xiàn)有基于道路特征的車道線檢測(cè)方法仍存在一些問題，但隨著人們重視程度的日益提高、相關(guān)技術(shù)的快速進(jìn)步，以及研究的不斷深入，這些問題終將逐步得到解決，并會(huì)進(jìn)一步促進(jìn)智能駕駛的發(fā)展與應(yīng)用：

（1）車道線檢測(cè)的可靠性、實(shí)時(shí)性、魯棒性進(jìn)一步提高。其中，可靠性包括更加準(zhǔn)確地檢測(cè)并識(shí)別道路環(huán)境中的車道線，排除無(wú)關(guān)干擾信息。實(shí)時(shí)性包括從算法上進(jìn)一步提高及從硬件上進(jìn)一步增強(qiáng)，從而更加快速完成檢測(cè)任務(wù)，滿足系統(tǒng)需求。魯棒性包括對(duì)不同天氣環(huán)境及復(fù)雜道路環(huán)境均具有良好的適應(yīng)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(qiáng)車道線檢測(cè)的準(zhǔn)確度和系統(tǒng)適應(yīng)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(qiáng)對(duì)車輛周圍環(huán)境的綜合感知。

（3）多車的信息通訊及協(xié)同規(guī)劃。隨著車聯(lián)網(wǎng)的快速發(fā)展，可利用車聯(lián)網(wǎng)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(shí)他車道路特征信息等，為自車車道線檢測(cè)提供更豐富有效的信息資源，從而促進(jìn)安全駕駛。

參考文獻(xiàn)

[1]《中國(guó)公路學(xué)報(bào)》編輯部.中國(guó)交通工程學(xué)術(shù)研究綜述·2016[J].中國(guó)公路學(xué)報(bào)，2016，29（6）：1-161.

[2]Sawano H， Okada M. A Road Extraction Method by an Active Contour Model with Inertia and Differential Features[J]. IEICE - Transactions on Information and Systems， 2006， E89-D（7）：2257-2267.

[3]Nieto M， Salgado L， Jaureguizar F， et al. Robust multiple lane road modeling based on perspective analysis[C]. Image Processing， 2008. ICIP 2008. 15th IEEE International Conference on. IEEE， 2008： 2396-2399.

[4]李若皓，丁冬花.一種基于掃描線的車道線識(shí)別算法[J].微計(jì)算機(jī)信息，2008，24（16）：244-246.

[5]Evangeline Pollard， Dominique Gruyer， Jean-Philippe Tarel， etal. Lane Marking Extraction with Combination Strategy and Comparative Evaluation on Synthetic and Camera Images[C]. 14th International IEEE Conference on Intelligent Transportation Systems， Washington DC，2011：1741-1746.

[6]Felisa M，Zani P. Robust monocular lane detection in urban environments[C]. Intelligent Vehicles Symposium （IV），2010：591-596.

[7]宋曉琳，高巧明，張偉偉.車道線提取及偏離預(yù)警方法[P].中國(guó)，發(fā)明專利，2012100853541，2012-03-28.

[8]Crisman J D， Thorpe C E. SCARF： a color vision system that tracks roads and intersections[J]. IEEE Transactions on Robotics & Automation，1993，9（1）：49-58.

[9]Y He， H Wang， B Zhang.Color-based road detection in urban traffic scenes[J].IEEE Transactions 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(cè)與辨識(shí)方法[J].計(jì)算機(jī)與現(xiàn)代化，2014（2）：86-90.

[11]陳濤，張洪丹，陳東，譚純.基于優(yōu)先像素與卡爾曼濾波追蹤的車道線檢測(cè)[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(huán)視的道路標(biāo)線檢測(cè)與識(shí)別[J].華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，41（A1）：233-236.

[13]Graovac S， Goma A. Detection of Road Image Borders Based on Texture Classification[J]. International Journal of Advanced Robotic Systems，2012，9（242）：1.

[14]Kong H， Audibert J Y， Ponce J. Vanishing point detection for road detection[C]//IEEE Conference on Computer Vision & Pattern Recognition.2009：96-103.

[15]Kong H， Audibert J Y， Ponce J. General road detection from a single image.[J]. IEEE Transactions on Image Processing，2010，19（8）：2211.

[16]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.

[17]李駿揚(yáng)，金立左，費(fèi)樹岷，等.基于多尺度特征表示的城市道路檢測(cè)[J].電子與信息學(xué)報(bào)，2014，V36（11）：2578-2585.

[18]Chen C， Wang J，Chang H， etal.Lane detection of multi-visual-features fusion based on DS theory[C].Control Conference （CCC）， 2011 30th Chinese.IEEE，2011：3047-3052.

[19]Gern A，Moebus R，F(xiàn)ranke U.Vision-based lane recognition under adverse weather conditions using optical flow[C].Intelligent Vehicle Symposium，2002.IEEE.IEEE，2002，2：652-657.

[20]王科，黃智，鐘志華.基于多特征融合的道路理解方法[J].中國(guó)公路學(xué)報(bào)，2013，26（4）：176-183.