基于道路特征的车道线检测方法综述

基于道路特征的车道线检测方法综述

摘 要：智能车辆安全驾驶是车辆工程发展的重要方向，其中一个重要的环节就是车道线检测。本文介绍了机器视觉中车道线检测方法并针对基于道路特征的车道线检测方法进行了分类，对各类方法中采用的不同技术进行了阐述。最后就该领域的当前技术难点和发展前景进行了简要论述。

关键词：车道线检测；道路特征；道路检测 中图分类号：TP391.41 文献标识码：A 文章编号：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 随着社会经济的快速发展，我国汽车保有量逐年增长，

交通事故发生的频率也在逐年提高，交通安全问题引起了人们的高度关注。应运而生的智能车辆作为一种智能移动机器人，通过融合计算机、车载传感、自动控制、人工智能等多种技术从而实现人、车、路的智能信息交换，使汽车具备环境感知能力并达到智能驾驶。智能车辆一方面大大提高了车辆驾驶的安全性与舒适性，另一方面智能车辆作为汽车工业增长的动力及世界车辆研究领域的热点，促进了多学科的交流融合与共同发展[1]。

车道线检测是智能车辆驾驶辅助系统中的重要环节。快速且有效地检测道路图像中的车道线不仅有利于协助路径规划、进行道路偏移预警与车流分析等功能，并且能为精确导航提供参照。自20世纪60年代起，车道线检测方法就开始受到广泛重视，许多国家都投入了大量人力、物力和财力对其进行深入研究，并取得了丰硕的研究成果。 目前国内外广泛使用的车道线检测方法主要分为两大类：（1）基于道路特征的车道线检测；（2）基于道路模型的车道线检测。基于道路特征的车道线检测作为主流检测方法之一，主要是利用车道线与道路环境的物理特征差异进行后续图像的分割与处理，从而突出车道线特征，以实现车道线的检测。该方法复杂度较低，实时性较高，但容易受到道路环境干扰。基于道路模型的车道线检测主要是基于不同的二维或三维道路图像模型（如直线型、抛物线型、样条曲线型、

组合模型等），采用相应方法确定各模型参数，然后进行车道线拟合。该方法对特定道路的检测具有较高的准确度，但局限性强、运算量大、实时性较差。本文着重介绍了当前基于道路特征的车道线检测方法，讨论了存在的??题及未来发展趋势。

1 基于道路特征的车道检测

基于道路特征的车道线检测方法主要是利用车道线与道路环境的物理特征的差异进行后续图像的分割与处理，以突出车道线特征，从而实现车道线的检测。根据提取的不同特征，可进一步分为基于颜色特征的检测方法、基于纹理特征的检测方法和基于多特征融合的检测方法。 1.1 基于颜色特征的检测方法 1.1.1 基于灰度特征的检测方法

该方法是利用从灰度图像中提取的灰度特征检测出道路边界及车道标识，其中的灰度图像既可以由系统直接采集，也可以由原始图像转换生成。该方法结构简单，应用广泛，尤其适用于车道线清晰且路面均匀的结构化道路。但当路面存在阴影或异物遮挡、光照变化强烈或非结构化路面等情况时，该方法一般无法达到理想检测效果。

传统灰度梯度检测方法[2，3]主要依赖于车道线与道路路面的区别，即在灰度图像中，车道线像素的灰度通常要远大于非车道线像素的灰度。因此可以通过选定合适的阈值来

区分车道线像素与非车道线像素，之后利用车道线的梯度特征来检测车道线。传统方法虽然简单易操作，但在某些环境发生变化的情况下，很难确定出适应于整个图像的单一阈值。针对这个问题，目前有很多文献提出了改进方法。 文献[4]根据左右车道线的角度值采用不同的定向边缘抽取算子，对灰度图像和边缘图像进行双阈值二值化以减少环境因素的影响。为适应道路的动态变化及复杂明暗变化，对灰度图像阈值做了自适应调整，从而能准确滤除杂点并保留车道线像素。最后通过扫描和区域划分提取出车道线，并以THMR-V智能车为实验平台在多时段、多路段进行测试并获得了较高的平均识别率。

文献[5]基于车道线像素是由较暗区域包围明亮区域的假设，通过局部灰度阈值方法实现车道线特征提取，将均值滤波后的平滑图像与原图相减获得差分图像以进一步阈值处理，从而分割出车道线。

文献[6][7]对原始图像进行逆透视变换，通过车道线在道路环境下形成的Dark-Light-Dark特征提取单线DLD特征及双线DLDLD特征图像，从而获得车道线的候选区域。这种方法更适合于较为复杂的城市道路，简单易操作，但不可避免地存在一定噪声，通常需要和其他检测方法结合使用。 1.1.2 基于彩色特征的检测方法

该方法是利用序列图像中的色彩信息特征检测出道路

边界及车道标识。由于色彩信息对图像或图像区域的大小、方向等特征变化不敏感，所以利用色彩特征不能有效地捕捉目标的局部特征。另外，当数据库很大时，若仅利用颜色特征查询，常会把大量不需要的图像也检索出来。 早期的代表方法，美国卡内基梅隆大学的SCARF系统[8]将图像中的像素点基于其各自颜色进行聚类，区分出道路类和非道路类，并根据道路在图像中表现为梯形的两条斜边的假设，利用Hough变换识别车道线。但由于受到梯形模型与车道区域的限制，该系统无法满足多车道行车以及避障操作的需求。

文献[9]根据边缘图像先估计出道路边界，确定后续道路检测中的统计区域，然后利用彩色图像中均值和方差的高斯分布检测出道路区域。文献[10]在RGB颜色空间中，利用先验信息对图像中与路面颜色差异较大且具有合理宽度的像素段的颜色进行辨识，并由辨识结果分别估计出黄色或白色车道线的颜色分割阈值，从而进一步检测车道线。该方法运算速度快，但局限于颜色特征较清晰的结构化道路。文献[11]利用RBG颜色空间及车道线亮度特性，优先针对白色、黄色像素进行处理，从而增加车道线像素的占有率，增强目标与背景之间的对比度。文献[12]利用HSV颜色空间将色彩分为色度、饱和度及亮度，设定车道线的对应阈值并据此对颜色进行归类，将其中占主导地位的对应颜色作为识别结果从

本文来源：https://www.bwwdw.com/article/mjzt.html