適用于右轉(zhuǎn)輔助的非機(jī)動車道檢測

劉翔鵬 彭雨琳 童德中 陸瑋 王丹寧

摘要：為避免傳統(tǒng)車輛或無人駕駛車輛在右轉(zhuǎn)時(shí)與快速行駛的自行車發(fā)生碰撞的風(fēng)險(xiǎn)，需要在轉(zhuǎn)彎前穩(wěn)定地檢測出非機(jī)動車道，并實(shí)時(shí)定位騎車者.為實(shí)現(xiàn)該目標(biāo)，通過調(diào)整初始代價(jià)及代價(jià)聚合，完成更為精確的非機(jī)動車道圖像立體匹配；基于改進(jìn)的Hough變換算法，對路面上的非機(jī)動車道線進(jìn)行識別和提取；之后結(jié)合立體視覺來獲取非機(jī)動車道的精確三維坐標(biāo).實(shí)驗(yàn)結(jié)果表明：所提方法可以在大部分場景下檢測出不同類型的非機(jī)動車道，且具有較高的精確度，適用于廣義非機(jī)動車道檢測，對于先進(jìn)駕駛輔助系統(tǒng)或無人駕駛車輛實(shí)現(xiàn)全道路場景識別起到了積極的輔助作用.

關(guān)鍵詞：非機(jī)動車道檢測；駕駛輔助；立體匹配；Hough變換；車道線擬合

中圖分類號：TP399文獻(xiàn)標(biāo)志碼：A文章編號：1000-5137（2024）02-0147-09

Bicyclelanedetectionsuitedforrightturnassistance

LIU Xiangpeng¹，PENG Yulin¹，TONG Dezhong²，LU Wei¹，WANG Danning¹

（1.CollegeofInformation，MechanicalandElectricalEngineering，ShanghaiNormalUniversity，Shanghai201418，China；2.DepartmentofMechanical&AerospaceEngineering，UniversityofCalifornia-LosAngeles，LosAngeles90095，UnitedStates）

Abstract：Inordertoavoidtheriskofcollisionsbetweentraditionalvehiclesorunmannedvehiclesandfast-movingbicycleswhenturningright，itwasnecessarytodetectthebicyclelanestablyandlocatethecyclistinrealtime.Byadjustingtheinitialcostandcostaggregation，moreaccuratethree-dimensionalmatchingofbicyclelaneimageswascompleted.BasedontheimprovedHoughtransformalgorithm，thebicyclelanelinesontheroadwereidentifiedandextracted；then3Dvisiontechniquewascombinedtoobtaintheaccurate3Dcoordinatesofthebicyclelane.Experimentalresultsshowedthattheproposedmethodwasabletodetectdifferenttypesofbicyclelanesinmostscenarioswithhighaccuracy，accordinglyitwassuitableforgeneralizedbicyclelanedetection.Theproposedalgorithmwouldplayapositiveauxiliaryroleinrealizingsceneunderstandingofall-roadscenariosforadvanceddrivingassistancesystemsorunmannedvehicles.

Keywords：bicyclelanedetection；drivingassistance；stereomatching；Houghtransform；lanelinefitting

0引言

在現(xiàn)代交通系統(tǒng)中，不同的交通參與者之間會互相產(chǎn)生影響，自行車對機(jī)動車造成的干擾與妨礙就是其中的一種.對于傳統(tǒng)車輛，尤其是大型車輛而言，駕駛員容易忽視右后視鏡盲區(qū)里快速前進(jìn)的自行車，導(dǎo)致相撞事故的發(fā)生.而右轉(zhuǎn)預(yù)警類先進(jìn)駕駛輔助系統(tǒng)（ADAS）可以減少該類事故的發(fā)生.不論是對于ADAS，還是無人駕駛車輛而言，如何識別道路場景和周圍的環(huán)境，都是保證其安全穩(wěn)定工作的重要前提，精細(xì)、準(zhǔn)確地識別道路場景中的非機(jī)動車道元素則是機(jī)動車右轉(zhuǎn)場景中防止與騎車者相撞的關(guān)鍵.另外，如果無法區(qū)分非機(jī)動和機(jī)動車道，無人車也可能行駛到非機(jī)動車道上，從而妨礙非機(jī)動車道上騎行者.

目前對于車道檢測的研究集中在機(jī)動車道層面，而非機(jī)動車道識別作為道路場景中的重要組成部分，在各種道路場景元素識別的研究中卻鮮有涉及.常用的車道線檢測方法可以分為基于模型和基于特征的識別^［1］.

基于特征的算法包括對顏色^［2-3］、邊緣^［4］、梯度變化^［5］等特征的識別，能在光照變化、紋理不清晰、道路破損等情況下檢測車道線.王懷濤^［6］針對黃線識別效果不理想的問題，同時(shí)使用H-S顏色二維查表法和邊緣特征，根據(jù)黃色像素區(qū)別于其他像素的特點(diǎn)來區(qū)分車道標(biāo)線.吳驊躍等^［7］提出了一種基于逆投影映射和邊緣圖像過濾的車道線識別方法，很大程度上減少了自動駕駛環(huán)境感知過程中路面陰影、雨水、污漬和反光對車道線識別以及車輛導(dǎo)航造成的干擾.ZHANG^［8］等將改進(jìn)版Canny邊緣檢測用于識別車道線的外沿.YOO等^［9］基于圖像線段交點(diǎn)的概率進(jìn)行投票來估算消隱點(diǎn)，并利用車道線的幾何約束來確定候選線段.消隱點(diǎn)也可以與密集視差圖進(jìn)行結(jié)合，獲得較為精確的機(jī)動車道線檢測結(jié)果^［10］.Hough變換也是檢測車道線的一個(gè)重要方法，標(biāo)準(zhǔn)Hough變換可以捕捉道路場景中的直線結(jié)構(gòu)^［11］，通過對Hough變換的改進(jìn)，可進(jìn)一步增強(qiáng)車道線檢測的效果^［12］.此外，寬度、紋理^［13］等其他特征也被廣泛應(yīng)用于車道線檢測研究中.

基于模型的算法先對道路進(jìn)行建模，再分析圖像，獲得模型參數(shù)，進(jìn)而重建道路^［14］.該類算法主要用于解決常用數(shù)學(xué)模型，如直線、拋物線^［15］、雙曲線^［16］、樣條曲線^［17］等對車道線進(jìn)行有效擬合的問題.在基于數(shù)學(xué)模型檢測車道線方面，雙曲線模型正逐漸成為一個(gè)重要的車道線擬合模型^［1］，最小二乘法被廣泛采用于數(shù)值擬合^［18］.此外，如何解決道路中的遮擋、陰影等問題也是車道線檢測的一個(gè)研究方向^［19］.

本研究針對非機(jī)動車道檢測問題，基于立體匹配和Hough變換算法，提出非機(jī)動車可通行域的判定算法，進(jìn)一步實(shí)現(xiàn)適用于右轉(zhuǎn)輔助的非機(jī)動車道的識別功能.

1立體匹配算法

RGBD相機(jī)所采集的圖像如圖1所示，其中，圖1（a）和圖1（b）分別由水平安裝在右后視鏡上的左攝像機(jī)和右攝像機(jī)攝取，其受光照影響不同，需結(jié)合梯度差代價(jià)進(jìn)行Census代價(jià)匹配.

1.1 初始代價(jià)

為獲取視差圖，首先需在左、右視圖上尋找匹配點(diǎn)，并計(jì)算相應(yīng)的視差.計(jì)算左、右視圖匹配代價(jià)，

， （1）

其中，C_OST為初始匹配代價(jià)；c_l（·）和c_r（·）分別為左視圖和右視圖的色度特征；d為視差；x，y分別表示待匹配點(diǎn)的橫縱坐標(biāo)值.C_OST越小，兩個(gè)點(diǎn)是匹配點(diǎn)的概率越高.

Census變換使用像素鄰域內(nèi)的局部灰度差異，將像素灰度轉(zhuǎn)換為比特串，通過將鄰域窗口內(nèi)的像素灰度值與窗口中心的像素灰度值進(jìn)行比較，把比較所得的布爾值映射到一個(gè)比特串中，最后用比特串的值作為中心像素的Census變換值.

1.2 代價(jià)聚合

在初始代價(jià)的計(jì)算過程中，不同像素點(diǎn)的代價(jià)沒有交互，因此初始代價(jià)相對較為獨(dú)立，這可能會對匹配過程造成干擾，需要對代價(jià)進(jìn)行聚合操作.代價(jià)聚合是將代價(jià)圖中相對較為獨(dú)立的各個(gè)像素點(diǎn)所對應(yīng)的代價(jià)進(jìn)行匹配，使得不同像素點(diǎn)的代價(jià)互為影響.代價(jià)聚合的目的是使各點(diǎn)的代價(jià)和周圍像素點(diǎn)形成聯(lián)系，從而能更加精確地求取視差.

采用導(dǎo)引圖濾波方法進(jìn)行代價(jià)聚合.導(dǎo)引圖濾波方法可以很好地保持圖像中的邊緣清晰.在處理圖像時(shí)，對邊緣的像素進(jìn)行交互，這一點(diǎn)完全符合代價(jià)聚合的要求.導(dǎo)引圖濾波器核函數(shù)

， （2）

其中，u_k和分別為圖像在窗口w_k內(nèi)的均值和方差；w是窗口內(nèi)像素的個(gè)數(shù)；ε為控制參數(shù).

2提取可通行域

2.1 提取基于改進(jìn)霍夫變換的消失線提取

由透視原理可知，兩條平行線在視角中會匯聚于無限遠(yuǎn)處的一點(diǎn)，即路面會在無限遠(yuǎn)處消失于圖片的某條水平線上，該條水平線即為消失線.在此基礎(chǔ)上，引入Hough變換，將直線方程轉(zhuǎn)換到不同的參數(shù)空間中提取參數(shù)，檢測圖像中的直線，從而推斷出消失線的位置.

在極坐標(biāo)系中，一條傾斜直線的方程為

. （3）

根據(jù)上述原理，將V視圖中的直線變換到Hough空間（ρ，θ）中，提取對應(yīng)的交點(diǎn).定義一個(gè)像素累加函數(shù)

， （4）

其中，為極坐標(biāo)初始值；

（5）

其中，B_inaty（x，y）表示V視圖二值化后對應(yīng)像素位置的像素值.

采用加權(quán)Hough變換提取更精確的道路直線.加權(quán)Hough變換對V視圖中的直線進(jìn)行灰度加權(quán)，突出感興趣區(qū)域（ROI）.圖像像素的灰度值由該像素的視差值大小來決定.在道路場景中，道路平面可以視作最大范圍的平面，因此在V視圖中所對應(yīng)的直線像素灰度值普遍較大.利用V視圖中的像素對Hough變換進(jìn)行加權(quán)，可以有效地在Hough空間中突出道路平面.將函數(shù)修改為：

（6）

其中，是V視圖中像素值的大小，將得到的結(jié)果進(jìn)行歸一化.

通過對像素的截取得到該交點(diǎn)的坐標(biāo)為（ρ_c，θ_c），道路直線所對應(yīng)的方程為

， （7）

其中，c_ols為圖像的總列數(shù)；v為像素對應(yīng)的列號.當(dāng)d=0時(shí)，所對應(yīng)的即為消失線.

2.2 基于U視差圖的道路平面提取

刪除消失線以上的部分后，很多與道路無關(guān)的場景信息會被清理，但圖像中依然存在大量干擾信息，如道路兩旁的障礙物等，可以利用U視差圖排除這些干擾.在U視差圖中，離雙目系統(tǒng)等距的物體具有相同的視差，垂直于道路平面且離雙目系統(tǒng)等距的平面也具有相同的視差.對刪除消失線后的圖像進(jìn)行U視差圖的提取，像素的明亮程度代表在圖像對應(yīng)列上具備相同視差值像素的數(shù)目.U視差圖中像素值最大點(diǎn)對應(yīng)的視差即為每一列障礙物的視差值.

3非機(jī)動車車道劃分

3.1 非機(jī)動車道檢測預(yù)處理

首先使用最大類間方差算法對ROI進(jìn)行二值化.該算法的主要思想是將圖像中的灰度信息按照閾值劃分為兩個(gè)部分，并使這兩個(gè)部分的灰度差異最大，可較好地凸顯圖中的重要特征.

令維度為的數(shù)字圖像中L個(gè)不同等級的灰度級為｛0，1，，L-1｝，圖像中像素總數(shù)為：

， （8）

其中，n_i，i=0，1，…，L-1，表示灰度級為i的像素.

對于歸一化的直方圖，灰度級為k的像素的概率

（9）

若給定一個(gè)閾值，把輸入圖像分為C₁和C₂兩類，C₁由灰度值在數(shù)值區(qū)間內(nèi)的所有像素組成，C₂由灰度值在數(shù)值區(qū)間內(nèi)的所有像素組成.分到C₁類的像素概率

. （10）

根據(jù)貝葉斯公式，C₁類像素平均值

， （11）

其中，w表示像素的灰度值大小.同理，分配到C₂類的像素平均值為

. （12）

將累加均值定義為m（k），

. （13）

全局灰度值

. （14）

使用歸一化的無量綱矩陣對級別處的閾值進(jìn)行判別，

（15）

其中，為全局方差；為類間方差；

（16）

其中，m₁和m₂相差越大，則越大.

尋找最佳閾值，對的所有整數(shù)值進(jìn)行遍歷，選取能使最大化的值.得到后，將通過透視變換得到的ROI鳥瞰圖進(jìn)行二值化轉(zhuǎn)換，

（17）

此時(shí)，車道線周圍尚有一些噪點(diǎn)，可能是由路面過于明顯的紋理、破損及光照等原因造成的，會對后續(xù)車道線提取工作產(chǎn)生不良的影響，因此閾值組合中需要加入濾波函數(shù)對處理結(jié)果進(jìn)行濾波，以盡可能多地去除噪點(diǎn).

3.2 非機(jī)動車道提取

首先確定道路的基點(diǎn).道路基點(diǎn)即位于圖像最底部且可能為道路的點(diǎn)，車道線可以從基點(diǎn)衍生出來.基點(diǎn)部分是通過在圖片的底部區(qū)域沿著水平方向遍歷x軸上的像素分布而獲得的.在x軸方向上累加公式如下：

（18）

（19）

（20）

其中，I_R為ROI鳥瞰圖預(yù)處理結(jié)果圖中對應(yīng)點(diǎn)的像素大小.

由于圖像中還存在少量的噪點(diǎn)，會對基點(diǎn)的判斷產(chǎn)生影響，而且每個(gè)峰值區(qū)域跨越的部分也較大，需要通過以下兩個(gè)條件加以判定：

1）在連續(xù)存在的峰值區(qū)域，如果相鄰的兩個(gè)峰值間距小于閾值，則這兩個(gè)峰值可能代表一個(gè)基點(diǎn)；

2）如果基點(diǎn)可能的存在范圍小于閾值，則認(rèn)為此處的峰值由噪點(diǎn)造成.

獲得基點(diǎn)之后，通過曲線擬合的方法來確定車道線的方程.首先在底部以基點(diǎn)作為窗口中心，設(shè)置一個(gè)的窗口，在該窗口中統(tǒng)計(jì)像素在方向上的分布，然后選取峰值對應(yīng)的x₀以及該窗口中心點(diǎn)對應(yīng)的y₀作為車道線上第一個(gè)點(diǎn)的位置，

（21）

以上一個(gè)包含車道線的窗口頂部的點(diǎn)為基點(diǎn)，再次構(gòu)造相同維度的窗口，按照同樣的方式繼續(xù)尋找車道線點(diǎn)集.第i個(gè)窗口的基點(diǎn)為：

（22）

其中，x_i和y_i表示窗口基點(diǎn)的坐標(biāo)；X_i-1和Y_i-1表示所儲存的上一個(gè)疑似屬于車道線的點(diǎn).由于在窗口滑動的過程中可能會遇到虛線車道斷線的部分，此時(shí)窗口中不包含任何白色像素，則

（23）

通過上述的車道線遍歷模式，可以在窗口中獲得一列自下而上的疑似車道點(diǎn)，對這些點(diǎn)進(jìn)行擬合分析，即可獲得車道線所在的直線或曲線.滑動窗口檢測出非機(jī)動車道點(diǎn)集之后，需進(jìn)一步判定車道線是否為非機(jī)動車道線.

如果車道線為實(shí)線，那么滑動窗口在遍歷的過程中應(yīng)該連續(xù)地在每個(gè)窗口處都能捕捉到疑似屬于車道線的點(diǎn).當(dāng)所獲取點(diǎn)的個(gè)數(shù)和滑動窗口遍歷次數(shù)的差值在一定范圍內(nèi)，則可以判定這些點(diǎn)屬于車道線，

（24）

其中，為判定結(jié)果，1表示該點(diǎn)屬于車道線，0表示不屬于；N_slide為滑動窗口從圖像底部的疑似車道線基點(diǎn)遍歷至圖像頂部所用的次數(shù).在確認(rèn)所有的車道線之后，采用不同的系數(shù)ε來判定該條車道線是否為實(shí)線.若在圖像邊緣有連續(xù)兩條實(shí)線，則認(rèn)定為標(biāo)定區(qū)域的非機(jī)動車道線.對所獲取點(diǎn)進(jìn)行，擬合即可以獲得最終結(jié)果.

由于圖像中的非機(jī)動車道線存在轉(zhuǎn)彎弧度，用二次函數(shù)來表征車道線方程：

（25）

考慮各個(gè)點(diǎn)距離擬合曲線的距離并進(jìn)行求和，可以得到方程：

. （26）

對式（26）求偏導(dǎo)數(shù)，得到方程組：

（27）

對式（27）進(jìn)行整合，用矩陣表示，可得到：

. （28）

對該矩陣進(jìn)行求解，獲得非機(jī)動車道線二次擬合曲線的各項(xiàng)系數(shù)之后，利用透視變換投射至原圖像空間中，再將圖片和原圖疊加，即可得到最終的檢測結(jié)果（如圖2所示）.

4仿真實(shí)驗(yàn)

為全面驗(yàn)證所提算法的有效性，采集三種類型的非機(jī)動車道進(jìn)行檢測，分別是僅由顏色標(biāo)識的非機(jī)動車道、僅由分隔線標(biāo)識的非機(jī)動車道以及既由顏色又由分隔線標(biāo)識的非機(jī)動車道.

分別在老城區(qū)、新城區(qū)、鄉(xiāng)鎮(zhèn)及校園四種場景下各攝取1000張圖片.老城區(qū)場景拍攝地為上海市閔行區(qū)江川路街道，新城區(qū)場景拍攝地為上海市奉賢區(qū)新城，鄉(xiāng)鎮(zhèn)場景拍攝地在上海市松江區(qū)葉榭鎮(zhèn)，校園場景拍攝地為上海交通大學(xué)閔行校區(qū)與上海師范大學(xué)奉賢校區(qū).

所有測試圖片中都含有非機(jī)動車道.檢測過程中偶爾會出現(xiàn)將圖片中的機(jī)動車道部分識別成非機(jī)動車道的情況（假陽性），因此測試結(jié)果分為未檢出、單純假陽性、正確檢測（假陽性）及正確檢測.

4.1 僅由顏色標(biāo)識的非機(jī)動車道檢測

由于在鄉(xiāng)鎮(zhèn)場景未找到噴涂顏色的非機(jī)動車道，本實(shí)驗(yàn)的三個(gè)實(shí)驗(yàn)場景為老城區(qū)、新城區(qū)及校園.新城區(qū)的非機(jī)動車道使用年限較短，校園中的非機(jī)動車道受到機(jī)動車的破壞較小，因此這兩個(gè)場景下檢測正確率約為90%.老城區(qū)非機(jī)動車道歷史較久，磨損掉色相對嚴(yán)重，因而正確檢測率稍低；磨損后非機(jī)動車道與機(jī)動車道界限變得模糊，因此假陽性率也較高.

4.2 僅由分隔線標(biāo)識的非機(jī)動車道檢測

該類型的非機(jī)動車道的檢測精度比上一場景稍低一些.新城區(qū)的車道線清晰且規(guī)范，因此在新城區(qū)的檢測精度最高.老城區(qū)與鄉(xiāng)鎮(zhèn)場景下的正確檢測率相當(dāng)，但因?yàn)槔铣菂^(qū)的路況復(fù)雜且人流和車流密度大，所采集的圖片中干擾較多，造成了假陽性率較之鄉(xiāng)鎮(zhèn)場景稍高.而校園中非機(jī)動車道線的不規(guī)范性造成了其較低的檢測精度和最高的假陽性率.

4.3 既由顏色又由分隔線所標(biāo)識的非機(jī)動車道檢測

同時(shí)基于顏色與車道線兩種特征進(jìn)行檢測，精度顯著提升，假陽性率也相應(yīng)降低.

5結(jié)論

本研究所提出的非機(jī)動車道檢測算法能準(zhǔn)確地識別非機(jī)動車道，所檢測到的車道平面可以作為騎車者檢測與跟蹤的參考變量，可以顯著減少機(jī)動車右轉(zhuǎn)時(shí)與快速行駛的非機(jī)動車的碰撞概率，因此能較好地保障騎車者以及機(jī)動車駕乘人員的安全.

參考文獻(xiàn)：

［1］ 吳一全，劉莉.基于視覺的車道線檢測方法研究進(jìn)展［J］.儀器儀表學(xué)報(bào)，2019，40（12）：92-109.

WUYQ，LIUL.Researchanddevelopmentofthevision-basedlanedetectionmethods［J］.ChineseJournalofScientificInstrument，2019，40（12）：92-109.

［2］ LEEC，MOONJH.Robustlanedetectionandtrackingforreal-timeapplications［J］.IEEETransactionsonIntelligentTransportationSystems，2018，19（12）：4043-4048.

［3］ LIUDF，WANGYQ，CHENT，etal.Applicationofcolorfilteradjustmentandk-meansclusteringmethodinlanedetectionforself-drivingcars［C］//2019ThirdIEEEInternationalConferenceonRoboticComputing（IRC）.Naples：IEEE，2019：153-158.

［4］ OZGUNALPU.Robustlane-detectionalgorithmbasedonimprovedsymmetricallocalthresholdforfeatureextractionandinverseperspectivemapping［J］.IETImageProcessing，2019，13（6）：975-982.

［5］ ANDRADED，ADAMSHUKR，OMOTOW，etal.Lanedetectionusingorientationofgradientandvehiclenetworksignals［J/OL］.SAEWorldCongressExperience，2017［2023-10-10］.https：//doi.org/10.4271/2017-01-0042.

［6］ 王懷濤.基于相機(jī)的車道線識別與車道偏離預(yù)警技術(shù)研究［D］.合肥：合肥工業(yè)大學(xué)，2017.

WANGHT.Thetechniqueresearchoncamera-basedlanelinerecognitionandlanedeparturewarning［D］.Hefei：HefeiUniversityofTechnology，2017.

［7］ 吳驊躍，趙祥模.基于IPM和邊緣圖像過濾的多干擾車道線檢測［J］.中國公路學(xué)報(bào)，2020，33（5）：153-164.

WUHY，ZHAOXM.Multi-interferencelanerecognitionbasedonIPMandedgeimagefiltering［J］.ChinaJournalofHighwayandTransport，2020，33（5）：153-164.

［8］ ZHANGX，CHENF.LanelineedgedetectionbasedonimprovedadaptiveCannyalgorithm［J］.JournalofPhysics：ConferenceSeries，2020，1549（2）：022131.

［9］ YOOJH，LEESW，PARKSK，etal.Arobustlanedetectionmethodbasedonvanishingpointestimationusingtherelevanceoflinesegments［J］.IEEETransactionsonIntelligentTransportationSystems，2017，18（12）：3254-3266.

［10］ MAH，MAY，JIAOJ，etal.Multiplelanedetectionalgorithmbasedonoptimiseddensedisparitymapestimation［C］//2018IEEEInternationalConferenceonImagingSystemsandTechniques（IST）.Krakow：IEEE，2018：1-5.

［11］ 朱鴻宇，楊帆，高曉倩，等.基于級聯(lián)霍夫變換的車道線快速檢測算法［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2021，31（1）：88-93.

ZHUHY，YANGF，GAOXQ，etal.AfastlanedetectionalgorithmbasedoncascadeHoughtransform［J］.ComputerTechnologyandDevelopment.2021，31（1）：88-93.

［12］ 呂侃徽，張大興.基于改進(jìn)Hough變換耦合密度空間聚類的車道線檢測算法［J］.電子測量與儀器學(xué)報(bào)，2020，34（12）：172-180.

LYUKH，ZHANGDX.LanedetectionalgorithmbasedonimprovedHoughtransformcoupleddensityspaceclustering［J］.JournalofElectronicMeasurementandInstrumentation，2020，34（12）：172-180.

［13］ 王先杰，汪選要.基于類Haar紋理的非結(jié)構(gòu)化道路消失點(diǎn)檢測［J］.科學(xué)技術(shù)與工程，2019，19（16）：221-226.

WANGXJ，WANGXY.UnstructuredroadvanishingpointdetectionbasedonHaar-liketexture［J］.ScienceTechnologyandEngineering，2019，19（16）：221-226.

［14］ YOOJH，KIMDH.Graphmodel-basedlane-markingfeatureextractionforlanedetection［J］.Sensors，2021，21（13）：4428.

［15］ KUOCY，LUYR，YANGSM.Ontheimagesensorprocessingforlanedetectionandcontrolinvehiclelanekeepingsystems［J］.Sensors，2019，19（7）：1665.

［16］ 王其東，魏振亞，王乃漢，等.基于投影統(tǒng)計(jì)與雙曲線擬合的車道識別算法［J］.中國機(jī)械工程，2019，30（4）：393-399.

WANGQD，WEIZY，WANGNH，etal.Lanedetectionalgorithmbasedonprojectionstatisticsandhyperbolicfitting［J］.ChinaMechanicalEngineering，2019，30（4）：393-399.

［17］ LIY，LUX，TANGT.Lanedetectionusingsplinemodelforfreewayaerialvideos［C］//10thInternationalConferenceonDigitalImageProcessing.Shanghai：ICDIP，2018：10806X.

［18］ 賈會群，魏仲慧，何昕，等.基于神經(jīng)網(wǎng)絡(luò)與最小二乘法的車道線檢測算法研究［J］.汽車工程，2018，40（3）：363-368.

JIAHQ，WEIZH，HEX，etal.Aresearchonlanemarkingdetectionalgorithmbasedonneuralnetworkandleastsquaresmethod［J］.AutomotiveEngineering，2018，40（3）：363-368.

［19］ KIMH，PARKJ，MINK，etal.Anomalymonitoringframeworkinlanedetectionwithagenerativeadversarialnetwork［J］.IEEETransactionsonIntelligentTransportationSystems，2020，22（3）：1603-1615.

（責(zé)任編輯：包震宇，郁慧）

DOI：10.3969/J.ISSN.1000-5137.2024.02.001

收稿日期：2023-12-25

基金項(xiàng)目：上海師范大學(xué)一般科研項(xiàng)目（SK202123）

作者簡介：劉翔鵬（1987—），男，講師，主要從事智能網(wǎng)聯(lián)汽車方面的研究.E-mail：xliu@shnu.edu.cn

引用格式：劉翔鵬，彭雨琳，童德中，等.適用于右轉(zhuǎn)輔助的非機(jī)動車道檢測［J］.上海師范大學(xué)學(xué)報(bào)（自然科學(xué)版中英文），2024，53（2）：147?155.

Citationformat：LIUXP，PENGYL，TONGDZ，etal.Bicyclelanedetectionsuitedforrightturnassistance［J］.JournalofShanghaiNormalUniversity（NaturalSciences），2024，53（2）：147?155.