王超，王歡，趙春霞，任明武

(南京理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，江蘇南京210094)

車道線檢測是先進(jìn)駕駛輔助系統(tǒng)(ADAS)的核心技術(shù)之一，是實(shí)現(xiàn)車輛輔助安全駕駛的重要前提。近年來，各大科研機(jī)構(gòu)不斷深入研究車道線檢測方法，并實(shí)現(xiàn)了車輛在高速公路、城市道路等環(huán)境下的自動(dòng)巡航行駛，然而在一些車道線不清晰的路面上還存在較高的漏檢率。在中國，很多公路上的車道線存在著老化、污損、遮擋等情況，從而導(dǎo)致模糊、弱化等問題，之間還夾雜著虛線的干擾，因而給基于機(jī)器視覺的車道線檢測帶來了挑戰(zhàn)，因而具有重要的研究意義。車道線檢測方法一般包括3個(gè)步驟:1)特征提取:常用的特征有顏色特征［1-4］，梯度特征［5-7］以及多種特征的融合［1］;2)模型擬合:如Spline 模型［8-9］、B 樣條［10-11］、Clothoid 模型［12-13］、Parabola模型［14］以及 Hyperbola 模型［15-16］等;3)車道線跟蹤［17-19］。在以上3個(gè)步驟中，特征提取是最重要的一步，也是解決弱線問題的關(guān)鍵。很多學(xué)者基于車道線與道路的顏色通道差異性來進(jìn)行車道線檢測，如文獻(xiàn)［20］通過經(jīng)驗(yàn)性的設(shè)定R、G、B權(quán)重增大車道線與道路的亮度差異;文獻(xiàn)［1，4］中分別采用HSI與HSV顏色空間，增加飽和度圖像來補(bǔ)償亮度圖像的不足;文獻(xiàn)［21］利用直方圖均衡化增強(qiáng)車道線與道路區(qū)域的對(duì)比度。然而上述方法都是固定地選取亮度通道或?qū)α炼韧ǖ雷鲂拚y以適應(yīng)光照多變的室外環(huán)境，而文獻(xiàn)［9］采用了一種基于線性鑒別分析的圖像自適應(yīng)變換方法用于車道線的增強(qiáng)，通過提取車道線和道路樣本，結(jié)合線性鑒別分析可獲得RGB到灰度空間的最優(yōu)變換系數(shù)，從而有效實(shí)現(xiàn)車道線與道路的對(duì)比度增強(qiáng)，然而，該方法穩(wěn)定性較差，極大地依賴于樣本選取的好壞。

本文提出了一種基于梯度增強(qiáng)和逆透視驗(yàn)證的車道線檢測方法，以解決高速公路和城市道路上復(fù)雜條件下的弱線漏檢問題。針對(duì)弱線特征不顯著問題，在梯度增強(qiáng)變換基礎(chǔ)上，利用車道線的結(jié)構(gòu)特性提取車道線，在此基礎(chǔ)上進(jìn)行車道線和道路樣本的選擇，基于模糊線性鑒別分析使得圖像在RGB空間到灰度空間變換后的車道線和道路像素間的灰度差異最大，有效突出了道路上的弱線，最后利用逆透視變換對(duì)候選車道線間的空間位置關(guān)系進(jìn)一步驗(yàn)證，以此找回漏檢的虛線。

1 基于結(jié)構(gòu)特征的車道線提取

車道線的顏色、亮度、邊緣，梯度等信息被廣泛的用來提取車道線。本節(jié)利用車道線結(jié)構(gòu)和對(duì)比度信息進(jìn)行車道線提取，出發(fā)點(diǎn)是:車道線是線型結(jié)構(gòu)，具有固定的線寬，經(jīng)過透視投影后，由近至遠(yuǎn)，車道線逐漸變細(xì)，且無論是黃線還是白線，亮度都比其兩側(cè)局部道路區(qū)域亮度大。

首先，將RGB彩色圖像轉(zhuǎn)化為灰度圖像，本文取R、G、B3個(gè)通道的等比例平均作為灰度圖像，即f=(R+G+B)/3。對(duì)灰度圖像的每一行使用如下的濾波算子計(jì)算每個(gè)點(diǎn)梯度，即計(jì)算每個(gè)像素與水平方向左右兩側(cè)與其相距d的像素點(diǎn)的灰度差值:

式中:f(x，y)、gl(x，y)和 gr(x，y)分別表示(x，y)處的灰度值、左側(cè)和右側(cè)灰度差值;(x±d，y)表示距離像素位置(x，y)左右距離為d的像素位置;d表示圖像某一行車道線最大寬度，是一個(gè)隨圖像行的不同而不同的常數(shù)，通過一個(gè)查找表記錄道路區(qū)域中每行車道線的可能最大寬度。實(shí)驗(yàn)中，等間隔手工獲得車道線的最大寬度，然后，其他圖像行上的車道線的最大寬度通過線性插值計(jì)算得到。

前面提到的車道線像素特點(diǎn)可總結(jié)如下:

1)gl(x，y)＞0 且 gr(x，y)＞0。

3)圖像的每行中，會(huì)連續(xù)出現(xiàn)若干個(gè)車道線像素，令圖像每一行中出現(xiàn)的連續(xù)車道線像素集合稱為一個(gè)線段，記作RL。

4)在圖像相鄰的行中，會(huì)連續(xù)出現(xiàn)垂直方向相連的多個(gè)RL。

特點(diǎn)1、2是車道線與道路的亮度和對(duì)比度關(guān)系，即車道線必須比周圍的局部道路像素亮，且亮度差異越大越可能是車道線。特點(diǎn)3、4則反映的是車道線的結(jié)構(gòu)特性。利用這4個(gè)特點(diǎn)，設(shè)計(jì)了如下車道線提取方法:

1)生成一幅全0圖像R，利用式(1)、(2)對(duì)圖像進(jìn)行濾波，對(duì)于滿足特點(diǎn)1的像素，計(jì)算特點(diǎn)2中的，將賦予R中對(duì)應(yīng)的像素;

2)設(shè)定車道線與道路的最小灰度差異閾值T1，實(shí)驗(yàn)中T1取固定值10，即小于10認(rèn)為是噪聲，對(duì)R二值化，將＞T1的像素賦值為255。對(duì)區(qū)域利用基于鏈碼的區(qū)域輪廓跟蹤，保留滿足如下條件的區(qū)域即為車道線提取結(jié)果:

①區(qū)域面積大于10;②區(qū)域的高度大于5;③區(qū)域的實(shí)際面積與外接矩形面積小于0.7。

圖1給出了2幅在不同場景下利用基于結(jié)構(gòu)和對(duì)比度特征提取車道線的結(jié)果。結(jié)果表明，在光照條件不佳或者車道線較弱時(shí)，車道線的漏檢問題較為明顯。

圖1 基于結(jié)構(gòu)和對(duì)比度特征的車道線提取Fig.1 Lane extraction based on structure and contrast

2 車道線增強(qiáng)

2.1 基于LDA的車道線增強(qiáng)

利用結(jié)構(gòu)和對(duì)比度特征進(jìn)行車道線提取是在R、G、B3個(gè)通道簡單平均后得到的灰度圖像上處理的，但這一灰度圖像并沒有考慮到車道線與道路的可分性。文獻(xiàn)［9］為了突出車道線和路面的亮度差異，在RGB圖像到灰度圖像的轉(zhuǎn)換過程中采用:

找到使投影后車道線和道路兩類樣本灰度差異最大的投影系數(shù)w，即使下式達(dá)到最大:

式中:pr和pl分別為道路和車道線在RGB空間中的值，而yr和yl分別為道路和車道線經(jīng)過式(4)轉(zhuǎn)換后的灰度值。

而使2類樣本經(jīng)過線性投影后保證分離性最大問題恰可以使用線性鑒別分析進(jìn)行求解，即計(jì)算道路和車道線每一類的樣本均值mi與全體樣本均值，并計(jì)算出類內(nèi)距離SB與類間距離Sw:

式中:c是類別個(gè)數(shù)，本文只研究道路和非路2類，ni表示第i類的樣本個(gè)數(shù)，xj表示樣本。最優(yōu)投影系數(shù)的計(jì)算使用的準(zhǔn)則是:同類樣本的類內(nèi)離散度盡可能小，類間離散度盡可能大，即:

滿足式(8)的解析解w即為RGB空間到灰度空間的最優(yōu)轉(zhuǎn)換系數(shù)。

2.2 基于模糊LDA的車道線增強(qiáng)

實(shí)驗(yàn)發(fā)現(xiàn)，基于LDA梯度增強(qiáng)方法受樣本選擇好壞的影響很大，文獻(xiàn)［9］給出的樣本選擇方式是利用前幾幀車道線檢測結(jié)果獲得本幀的樣本，但幀間不確定性因素較多，如光圈調(diào)整、采集間斷，通訊延遲等均會(huì)導(dǎo)致幀間發(fā)生很大的變化，此外，沒有考慮到樣本中噪聲干擾問題，取樣中難以保證樣本標(biāo)簽不發(fā)生顛倒，即車道線樣本取到了道路上，反之亦然，使最優(yōu)變換系數(shù)的計(jì)算得不到理想結(jié)果。本文在基于結(jié)構(gòu)和對(duì)比度特征進(jìn)行車道線提取的基礎(chǔ)上，設(shè)計(jì)了單幀樣本選取的方法，同一幀樣本選擇同一幀檢測，具體方法是，對(duì)每個(gè)區(qū)域，以區(qū)域內(nèi)的所有像素作為車道線樣本，在區(qū)域的每一行RL線段左右兩側(cè)間隔一定像素分別提取L/2個(gè)像素作為道路樣本(L是RL線段的長度)，針對(duì)樣本噪聲干擾問題，采用了模糊LDA方法［22］，通過給樣本增加隸屬度來抑制樣本中噪聲。模糊LDA方法的樣本隸屬度計(jì)算公式為

式中:k表示近鄰個(gè)數(shù)，即對(duì)每個(gè)樣本，從所有樣本中找出與自己歐式距離最小的k個(gè)最近鄰樣本;nij是第j個(gè)樣本的k個(gè)最近鄰樣本中屬于第i類的樣本個(gè)數(shù)。通過給每個(gè)樣本賦予隸屬度后，按下式重新計(jì)算每類樣本的平均值:

并使用代替式(6)、(7)中的mi，其他與 LDA 方法一樣。

模糊LDA可以降低樣本的噪聲，特別是在雙黃線附近，如果對(duì)其中一條黃線采用以上給出的樣本選取方式，則由于另一條黃線離得很近，會(huì)被誤取為道路樣本。如果直接使用LDA，變換的結(jié)果會(huì)受到嚴(yán)重影響，而如果使用模糊LDA，被誤認(rèn)為道路像素的黃線樣本屬于黃線的隸屬度大，屬于道路的隸屬度小，避免了這部分樣本對(duì)LDA變換的影響。

2.3 增強(qiáng)后的車道線再提取

上文利用提取出的可靠車道線附近提取車道線和道路像素樣本，并利用模糊LDA方法抑制所提取樣本中的噪聲干擾，保證了LDA投影變換的有效性。而在2.2節(jié)給出的車道線提取方法的有效性受車道線與道路對(duì)比度的制約，利用該方法在RGB 3個(gè)通道等權(quán)重平均得到的灰度圖像上進(jìn)行處理，只能得到比較明顯的部分車道線，本節(jié)利用這些部分車道線作為線索，利用改進(jìn)LDA梯度增強(qiáng)方法進(jìn)一步突出其他車道線部分，即弱線部分與道路的對(duì)比度，使得增強(qiáng)后弱線部分與道路的灰度差異也很大，再次利用2.2節(jié)給出的車道線提取方法，可以獲得更為完整的車道線提取結(jié)果。具體方法是:

對(duì)R、G、B3個(gè)通道等比例平均得到灰度圖像，利用結(jié)構(gòu)和對(duì)比度特征提取出候選車道線區(qū)域，以每個(gè)候選區(qū)域內(nèi)的像素作為車道線樣本，區(qū)域外的局部區(qū)域提取道路樣本，然后利用模糊LDA進(jìn)行最優(yōu)投影系數(shù)計(jì)算，并在周圍設(shè)定一個(gè)變換區(qū)域進(jìn)行梯度增強(qiáng)，的范圍由如下方式獲得:提取的每一行RL線段的中點(diǎn)位置，使用最小二乘法預(yù)測出一條直線，的左右邊界由該直線分別向左右各平移10個(gè)像素獲得，的上下邊界則與的高度hi有關(guān)，分別沿著預(yù)測直線向上下兩方向各擴(kuò)展hi/2個(gè)像素，并不超過興趣區(qū)域4個(gè)邊界。

將內(nèi)的所有像素從RGB空間變換到最優(yōu)投影空間，并在空間變換后的數(shù)據(jù)上再次使用基于結(jié)構(gòu)信息的車道線提取方法進(jìn)行處理，提取出可能的車道線區(qū)域。圖2展示了上述過程。統(tǒng)計(jì)圖2(g)給出了增強(qiáng)結(jié)果圖2(f)中車道線像素灰度值與原灰度圖像2(a)對(duì)應(yīng)像素灰度值的曲線比較。不難發(fā)現(xiàn)，通過梯度增強(qiáng)，道路與非路像素的灰度差異變大，使用基于結(jié)構(gòu)和對(duì)比度特征更易于將弱線提取出來。

圖2 梯度增強(qiáng)與增強(qiáng)后車道線檢測結(jié)果Fig.2 Results of gradient enhancement and lane marker detection after gradient enhancement

2.4 車道線描述

對(duì)于車道線的形狀描述，主要有直線和曲線模型2種，直線模型雖然簡單，不利于描述曲率很大的曲線，但考慮到直線模型抗噪聲能力很強(qiáng)，為此，本文使用了直線模型對(duì)車道線線形狀進(jìn)行描述，對(duì)增強(qiáng)后提取出的車道線使用Hough變換進(jìn)行直線檢測。Hough變換描述了圖像空間中線和參數(shù)空間之間的線與點(diǎn)對(duì)應(yīng)關(guān)系，通常使用極坐標(biāo)表示直線方程:

圖3 車道線檢測結(jié)果Fig.3 Lane markers detection results

通過每個(gè)車道線像素圖像坐標(biāo)對(duì)應(yīng)的參數(shù)空間中參數(shù)點(diǎn)的計(jì)數(shù)器進(jìn)行累加，所有點(diǎn)累加完后，求出局部最大值，并對(duì)局部最大值做如下約束，累加值必須大于閾值T2(本文取T2為2倍的道路區(qū)域高度)，對(duì)應(yīng)的參數(shù) θ方向必須在［0，80］和［95，175］之間。滿足條件的所有局部最大值就對(duì)應(yīng)一條可能的車道線。圖3給出了使用Hough變換得到的車道線結(jié)果。

3 基于逆透視變換的車道線確認(rèn)

車道線梯度增強(qiáng)保證了弱線的可靠提取，但對(duì)于其中的虛線，由于2條線段之間間隔比較遠(yuǎn)，即使車道線像素全部被準(zhǔn)確的提取出了，Hough變換時(shí)累積器的局部最大值也有可能很小，達(dá)不到給定閾值，容易造成漏檢，為此，本節(jié)提出了一種基于逆透視變換(IPM)的車道線確認(rèn)方法，既可以有效找回虛線，又可以排除虛假的車道線。

IPM是一幅消除攝像機(jī)成像導(dǎo)致的透視投影的場景俯視圖，它借助于攝像機(jī)標(biāo)定中的本質(zhì)矩陣進(jìn)行變換。IPM圖的特點(diǎn)是，每個(gè)像素都有空間尺寸，都對(duì)應(yīng)于三維空間中的特定區(qū)域，從而利用車道線在三維空間上的相互距離約束來實(shí)現(xiàn)漏檢的找回。圖像坐標(biāo)［U，V］到實(shí)際世界坐標(biāo)系［X，Y，Z］間的變換關(guān)系如下所示:

式中:K為3×3的攝像機(jī)內(nèi)參矩陣，R、T為攝像機(jī)外參，其中R表示3×3的旋轉(zhuǎn)矩陣，T為3×1的平移向量，S為一個(gè)系數(shù)常量。假設(shè)地面為Z=0路面，則K·［R|T］就可以由3×4列簡化為3×3列的矩陣，令H=K·［R|T］，則有:

通過對(duì)攝像機(jī)進(jìn)行標(biāo)定，可以得到攝像機(jī)內(nèi)外參數(shù)K、R、T，代入式(12)則可得到轉(zhuǎn)換矩陣H，從而得到圖像平面中的點(diǎn)到路面中點(diǎn)的一一對(duì)應(yīng)關(guān)系，并轉(zhuǎn)換原圖像為IPM圖。本節(jié)方法的優(yōu)勢在于并不需要計(jì)算IPM圖，而只針對(duì)k條候選車道線進(jìn)行變換，從而大大縮短了矩陣變換的計(jì)算時(shí)間。通過在每條車道線上取2個(gè)圖像坐標(biāo)點(diǎn)，投影到IPM圖的坐標(biāo)上，在這些直線中選取置信度最大的k/2條直線，并判斷它與其他候選直線的距離關(guān)系，如果2線間距滿足路寬約束(中國標(biāo)準(zhǔn)道路一個(gè)車道寬約為d=3.75 m)，即2條直線的距離D1恰好是路寬長度d的倍數(shù)，則該直線的配對(duì)指數(shù)加1。在計(jì)算完所有直線的配置指數(shù)后，保留擁有最大配對(duì)指數(shù)的直線組，并確認(rèn)為車道線。

對(duì)已確認(rèn)的車道線，再分析它們之間的距離關(guān)系，如果2條車道線之間的距離D相對(duì)于路寬d有，則表示介于這2條車道線之間存在著r－1條車道線。如果處于中間的車道線不夠r－1條，則判定存在漏檢的虛線，到置信度排在后k/2的集合中尋找能夠匹配上的車道線，并將該車道線召回。

如圖4所示，4(b)為IPM圖，以原圖的逆透視結(jié)果來顯示方便說明，其中2條已確認(rèn)直線La、Lb之間距離為D=7.3 m(IPM中圖像每一像素表示0.05 m實(shí)際長度，兩線間距145像素)，則D≈2d，判斷中間存在一條虛線，從而在候選車道線中找回，并在4(c)圖中表示，其中高亮線段表示找回的車道線。

圖4 基于IPM的弱點(diǎn)召回Fig.4 Weak lane finding back based on IPM image

4 實(shí)驗(yàn)過程及分析

實(shí)驗(yàn)測試序列是通過無人車平臺(tái)采集的，采集的攝像機(jī)安裝于車頂前部正中央，采集RGB彩色圖像，分辨率為352×288，幀率為25幀/s，鏡頭焦距為4 mm。

為了定量分析算法性能，從車載攝像機(jī)采集的27個(gè)典型序列中選出500幅典型場景圖像作為實(shí)驗(yàn)測試圖像，其中包含各種不同環(huán)境條件，有城市道路、鄉(xiāng)村道路、高速、林蔭道等不同路況，其中大部分包含虛線或者不夠清晰的車道線，還有晴天(強(qiáng)陰影)、陰天等不同天氣條件下的圖像。

對(duì)500幅道路圖像都手工標(biāo)記出圖像中所有車道線，并與本文算法及相關(guān)比較算法在這500幅圖像上的檢測結(jié)果進(jìn)行比對(duì)。比對(duì)的方法是:以圖像行為單位，統(tǒng)計(jì)每一行中算法檢測的車道線上的點(diǎn)與標(biāo)記的車道線上的點(diǎn)在圖像列方向上的誤差，以列方向的平均誤差進(jìn)行線的匹配，如果2條線平均誤差小于15個(gè)像素則認(rèn)為匹配上，以此判據(jù)分別統(tǒng)計(jì)出虛檢(FP)、漏檢(FN)和正確檢測(TP)的車道線條數(shù)、通過計(jì)算準(zhǔn)確率(P)、查全率(R)和F量測(F)3個(gè)指標(biāo)進(jìn)行綜合評(píng)判:

式中:準(zhǔn)確率P評(píng)價(jià)算法的虛檢率，查全率R評(píng)價(jià)算法的漏檢率，F(xiàn)量測反映算法的綜合性能。

表1中給出本文算法與文獻(xiàn)［9］算法的性能對(duì)比結(jié)果。表明本文方法比文獻(xiàn)［9］提高了6.3%，梯度增強(qiáng)和逆透視驗(yàn)證進(jìn)一步提高了本文方法的性能。圖5給出了本文算法部分檢測結(jié)果圖像。

表1 車道線檢測算法性能對(duì)照Table 1 Comparison of lane detection methods

圖5 不同場景下本文算法對(duì)車道線檢測的結(jié)果Fig.5 Lane detection experiments in different scenes

5 結(jié)束語

本文針對(duì)車道線檢測中弱線問題進(jìn)行了研究，提出了采用梯度增強(qiáng)來實(shí)現(xiàn)弱線提取，同時(shí)利用逆透視驗(yàn)證來進(jìn)行弱虛線的找回，從而顯著提高了車道線檢測的可靠性，并適應(yīng)于不同的光照環(huán)境，在弱線環(huán)境中達(dá)到了88%以上的準(zhǔn)確性，為車輛安全輔助駕駛提供了必要的保障。

［1］SUN T Y，TSAI S J，CHAN V.HSI color model based lane-marking detection［C］//Proc.IEEE Intelligent Transportation System Conf. Toronto， Canada， 2006:1168-1172.

［2］CHIU K Y，LIN S F.Lane detection using color based segmentation［C］//IEEE Intelligent Vehicle Symposium.Hawaii，USA，2005:706-711.

［3］ROTARU C G，ZHANG T J.Extracting road feature from color image using a cognitive approach［C］//IEEE Intelligent Vehicle Symposium.Parma，Italy，2004:298-303.

［4］MARGRIT B，ESIN H，LARRY S D.Real-time multiple vehicle detection and tracking from a moving vehicle［J］.Machine Vision and Applications，2000，12(2):69-83.

［5］HUNJAE Y，UKIL Y，KWANGHOON S.Gradient-enhancing conversion for illumination-robust lane detection［J］.IEEE Transactions on Intelligence Transportation Systems，2013，14(3):1083-1094.

［6］SOUTHHALL J B，TAYLOR C.Stochastic road shape estimation［C］//Computer Vision. Vancouver， Canada，2001:205-212.

［7］YU B，JAIN A K.Lane boundary detection using a multiresolution Hough transform［C］//Image Processing，Washington DC，USA，1997:748-751.

［8］BORKAR A，HAYES M，STMTH M T.Detecting Lane markers in complex urban environments［C］//IEEE 7th International Conference on Mobile Adhoc and Sensor Systems.San Francisco，USA，2010.

［9］YOUNG U K Y，OH S Y.Three-feature based automatic lane detection algorithm for autonomous driving［J］.IEEE Transactions on Intelligent Transportation System，2003，4(4):219-224.

［10］WANG Y，TEOH E K，SHEN D.Lane detection and tracking using B-Snake［J］.Image and Vision Computing，2004，22(4):269-280.

［11］YAGI Y，BRADY M，KAWASAKI Y，et al.Active contour road model for smart vehicle［C］//15th International Conference on Pattern Recognition.Barcelona，Spain，2000:819-822.

［12］SOUTHBALL B，TAYLOR C J.Stochastic road shape estimation［C］//ICCV Vancouver，Canada，2001:205-212.

［13］EIDEHALL A，GUSTAFSSON F.Obtaining reference road geometry parameters from recorded sensor data［C］//IEEE Intelligent Vehicle Symposium. Tokyo， Japan，2006:256-260.

［14］MCCALL J C，TRIVEDI M M.Video-based lane estimation and tracking for driver assistance:survey，system，and evaluation［J］.IEEE Trans Intell Transp Syst，2006，7(1):20-37.

［15］GUIDUCCI A.Camera calibration for road application［J］.Comput.Vis.Image Underst，2000，79:250-266.

［16］CHEN Q，WANG H.A real-time lane detection algorithm based on a hyperbola-pair model［C］//Intelligent Vehicle Symposium.Tokyo，Japan，2006:510-515.

［17］RUYI J，REINHARD K，TOBI V，et al.Lane detection and tracking using a new lane model and distance transform［J］.Machine Vision and Applications，2011，22(4):721-737.

［18］DANESCU R，NEDEVSCHI S.New results in stereovision based lane tracking［C］//Intelligent Vehicles Symposium.Baden，Germany，2011:230-235.

［19］KAPLAN K，KURTUL C，AKIN H L.Fast lane tracking for autonomous urban driving using hidden Markov models and multiresolution Hough transform［J］.Industrial Robot，2010，37(3):273-278.

［20］CHENG H Y，JENG B S，TSENG P T，et al.Lane detection with moving vehicles in the traffics scenes［J］.IEEE trans on Intelligent Vehicle Symposium，2006，7(4):571-582.

［21］WANG J，WU Y，LIANG Z，et al.Lane detection and tracking using a layered approach［C］//IEEE Int Conf Inf.Autom.Harbin，China，2010:1735-1740.

［22］KWAK K C，PEDRYCZ W.Face recognition using a fuzzy fisherface classifier［J］.Pattern Recognition，2005(38):1717-1732.