车道检测方法综述

车道检测方法综述

作者：王春阳

来源：《科技视界》2016年第09期

【摘 要】安全在行车驾驶中是永恒不变的话题，安全偏离预警辅助驾驶与无人驾驶越来越受到关注。而偏离预警辅助驾驶与无人驾驶的前提是准确识别车道。本文对近15年车道检测方法分析说明其现状、存在的问题与发展趋势。 【关键词】车道检测；结构化车道；非结构化车道 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

对车身周围复杂环境的感知都是其实现辅助驾驶或者无人驾驶进行规划决策的前提条件。而车道检测又是智能汽车对环境理解的重要组成部分。对无人驾驶，车道检测作用是路径规划与决策，实现车辆智能检测出可行车道，最终实现全智能的无人驾驶。对辅助驾驶，车道检测的主要作用是车道偏离预警。 1 车道检测

车道按照修建规格大体分为结构化道路和非结构化车道两种。结构化车道一般具有比较清晰的车道线或者边界，非结构化车道一般没有车道线和清晰的道路边界。 1.1 结构化车道检测

龙源期刊网 http://www.qikan.com.cn

针对结构化车道，目前国内外应用比较广泛的检测方法以车道两侧的标准线作为检测依据，可划分为基于车道特征和基于车道模型两大类。 （1）于道路特征的检测方法

文献[1]根据道路图像像素点的灰度分布特征，将其划分为4类，并进行多方向搜索，去除虚假边界点，最后利用Hough变换检测车道标识线。文献[2]利用纹理特征和颜色特征对图像进行分割与融合。文献[3]利用光强度检测道路边缘和真彩色检测道路区域，获得可能的道路区域，并计算其均值和方差，然后提取道路区域和边界。 （2）基于模型的检测方法

文献[4]采用基于B样条曲线模型的车道标识线检测与跟踪方法，通过获取车道中心线完成车道线检测。文献[5]采用直线模型拟合两侧标识线，并利用感兴趣区域，缩小车道线检测范围，利用Hough直线检测方法定位车道边界。文献[6]将弯曲道路看成是三维的在垂直和水平方向的回旋曲线，利用卡尔曼滤波将前一帧的检测结果用于估计下一帧图像车道线参数。 1.2 非结构化车道检测

非结构化车道大致可分为三类：基于道路特征的检测方法、基于道路模型的检测方法和基于神经网络的检测方法。

（1）基于道路特征的检测方法

文献[7]利用颜色特征建立道路特征模型，采用卡尔曼滤波器更新特征模型，实现非结构化道路跟踪。文献[8]根据彩色模型概率机制分割图像，同时进行约束性边缘检测，然后融合两者结果，最后通过动态规划方法求得到道路边界。文献[9]通过对像素点的纹理强度以及方向特征的分析，投票获的候选消失点，然后获得目标区域的直线斜率，结合消失点建立直线方程，从而获取可行的道路区域。 （2）基于道路模型的检测方法

文献[10]提出一种基于多模型相结合的非结构化道路检测算法。利用混合高斯模型和抛物线模型相结合，拟合并提取道路边界曲线 文献[11]提出一种基于自适应变形模板的非结构化道路检测算法。通过边缘跟踪实时生成道路形状，并预测下一段道路可能的形状，已达到道路检测目的。

（3）基于神经网络的检测方法

龙源期刊网 http://www.qikan.com.cn

文献[12]利用ICM分割图像，然后利用最小交叉熵判决机制选取交叉熵最小的图像，以检测非结构化道路。文献[13]利用主元神经网络提取对图像的颜色与空间特征的主成分，统计道路边缘窗，根据通过利用粒子滤波器估计道路状态。文献[14]利用纹理特征值作为BP神经网络的输入，进行训练获得网络的阀值，然后采用训练好的网络对图像进行小块分析，找出道路部分，直到处理完整个图像获得道路区域。 1.3 复合型车道检测

复合型车道结构测到与非结构化车道的统称。文献[15]利用摄像机获得车道线信息，雷达获得护栏信息，雷达-摄像机融合系统获得车道边界信息。利用图像纹理特征提取车道线和边界，再采用卡尔曼滤波算法估计车道。文献[16]利用摄像机获得车道图像，对图像进行纹理滤波获得车道边界以及车道线。由雷达获得车道边界信息。融合这些信息获得车道曲率、主车与车道的相对位置等信息。再通过权重粒子法估计车道。文献[17]提出一种分层的车道检测算法。利用车道线来分类车道类型，利用特征选型车道，再采用对应的车道检测算法。 2 总结

影响车道检测的主要因素有车道类型多样化、车辆与车道信息是否充分利用等。车辆和车道信息包含车辆的速度、车道线、车道边界、车道护栏、引导车辆的速度等信息。在目前的车道检测方法中，只有其中一种或者几种被用到，而并未全部被充分利用到。目前针对结构化和非结构化车道检测都有一定成就。但是这些方法都只适用于其单一类型车道并不适用于对包含以上两种类型车道的复合型车道的检测。针对复合型的车道检测技术相对较落后，现在仍处于初步探索阶段。 【参考文献】

[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.

龙源期刊网 http://www.qikan.com.cn

[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，刘满禄，张华.基于特征模型的非结构化道路跟踪算法研究[J].微型机与应用，2012（17）：46-50.

[8]刘加海，白洪欢，黄微凹.基于彩色和边缘信息融合的道路分割算法[J].浙江大学学报：工学版，2006，40（1）：29-32.[9]刘富，袁雨桐，李洋.基于纹理特征的非结构化道路分割算法[J].计算机应用，2015，35（S2）：271-273.

[10]刘媛，宋晓琳，张伟伟.基于多模型结合优化的非结构化道路检测算法[J].工程设计学报，2013（02）：157-162.

[11]基于陈清华，杨静宇，陈建亭.基于自适应变形模板的非结构化道路检测[J].东南大学学报，2007（06）.

[12]高庆吉，张磊.基于交叉视觉皮质模型的[J].电子学报，2011（10）：2366-2371. [13]李青，郑南宇，马麟.基于主元神经网络的非结构化道路跟踪[J].机器人，2005（03）. [14]吕艳鹏，潘玉田.基于BP神经网络的非结构化道路识别[J].机械工程与自动化，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.