王秋生，賀云濤，張曉輝，劉 莉

（1.北京理工大學(xué)宇航學(xué)院，北京100081；2.北京理工大學(xué)機電學(xué)院，北京100081）

1 引 言

無人機技術(shù)發(fā)展迅速，以單、多目攝像頭為代表的視覺傳感器與無人機相結(jié)合，使得無人機廣泛用于公路巡檢、電力巡線、植保等低空測量和三維重建的技術(shù)領(lǐng)域中［1］。在公路養(yǎng)護和巡檢等特殊任務(wù)中，要求跟蹤路徑精度高，且受地理條件的影響，傳統(tǒng)的通過給定兩個航跡點來確定航跡的方法無法滿足跟蹤精度要求。對于較為復(fù)雜的公路巡檢等問題，需要一種精度更高的航跡規(guī)劃方法，跟蹤車道線就是一種精度較高的解決方案。

我國對于車道線的線型、顏色等有明確的規(guī)定，車道線相比于周圍路面環(huán)境有著明顯的梯度、灰度等邊緣特征，根據(jù)這些特征可以實現(xiàn)車道線的檢測和定位，進而實現(xiàn)對公路的識別和定位。通過對車道線進行跟蹤來確定航跡，能夠有效地提高道路跟蹤的精度，滿足公路巡檢任務(wù)中對于航跡精度的要求。

隨著計算機視覺技術(shù)發(fā)展和硬件平臺性能提升，用于車道線檢測任務(wù)的檢測系統(tǒng)迅速發(fā)展。最初的車道線檢測系統(tǒng)主要應(yīng)用于車輛自動駕駛領(lǐng)域，系統(tǒng)通過激光雷達、全球定位系統(tǒng)設(shè)備（GPS）、單/多目攝像機等傳感器來獲取車道線信息，利用車輛搭載的計算機進行車道線的提取和檢測。2015年以來，隨著無人機在公路巡檢等任務(wù)場景中的應(yīng)用，研究人員提出了基于無人機航拍圖像的車道線檢測系統(tǒng)，并得到了很快發(fā)展［2］。

車道線檢測技術(shù)主要包括：車道線邊緣特征提取技術(shù)和車道線擬合技術(shù)，即首先完成車道線特征提取，再對提取特征進行擬合完成車道線檢測。車道線檢測技術(shù)的發(fā)展主要經(jīng)歷了兩個階段：從傳統(tǒng)的邊緣檢測逐漸過渡到利用深度學(xué)習(xí)的自主檢測，檢測方法的發(fā)展方向具有兩個特點，即魯棒性更高、實時性更好。

本文對基于無人機航拍圖像的車道線檢測方法進行研究，介紹車道線檢測系統(tǒng)的發(fā)展情況，分析車道線檢測核心技術(shù)的發(fā)展現(xiàn)狀，并對目前技術(shù)發(fā)展存在的難點和未來發(fā)展趨勢進行分析和展望。

2 車道線檢測系統(tǒng)

2.1 車道線檢測系統(tǒng)簡介

根據(jù)《道路交通標志和標線》［3］規(guī)定，道路標線按照功能區(qū)分如下：

指示標線，指示車行道、行車方向、路面邊緣、人行道等設(shè)施的標線；禁止標線，告示道路交通的遵行、禁止、限制等特殊規(guī)定，車輛駕駛?cè)思靶腥诵鑷栏褡袷氐臉司€；警告標線，促使車輛駕駛?cè)思靶腥肆私獾缆飞系奶厥馇闆r，提高警覺，準備防范應(yīng)變措施的標線。

車道線檢測任務(wù)中的檢測目標是道路交通標線中指示標線類的車行道、路面邊緣標線。對于公路巡檢任務(wù)，車道邊緣線是主要檢測目標，目前已有的車道檢測系統(tǒng)也主要針對該類目標進行識別和檢測。規(guī)定中對車道線的線寬、線型等有明確的要求：指示標線寬10～20cm，線型和顏色包括白色虛線、白色實線、黃色虛線、黃色實線、雙白虛線、雙黃實線、黃色虛實線、雙白實線。車道線相比于路面具有明顯的顏色和梯度特征差異。

車道線檢測系統(tǒng)主要任務(wù)是輸入視覺傳感器捕獲的圖像，輸出車道線檢測結(jié)果的顯示。目前車道線檢測系統(tǒng)大多應(yīng)用于智能車的定位、導(dǎo)航、無人駕駛領(lǐng)域，如RALPH 系統(tǒng)［4］、GOLD 系統(tǒng)［5］、LDWs系統(tǒng)［6］等。國內(nèi)車道線檢測系統(tǒng)研究起步相對較晚，但發(fā)展迅速：胡斌［7］等人提出了一種基于直線模型和ATN 的THMR 系統(tǒng)，用于機器人自主行駛；楊萍［8］利用CCD 實現(xiàn)了一種簡單的車道線檢測系統(tǒng)；2012年，李松澤［9］在caffe 平臺基礎(chǔ)上，提出了基于深度學(xué)習(xí)的車道線檢測系統(tǒng)的實現(xiàn)方法，系統(tǒng)主要包括車道線標注、圖片預(yù)處理、分割模型訓(xùn)練、車道線檢測等模塊。

隨著無人機在公路巡檢等任務(wù)場景的進一步應(yīng)用，基于航拍圖像的車道線檢測系統(tǒng)也隨之發(fā)展?；跓o人機的車道線檢測與基于智能車的車道線檢測相比，主要存在兩個不同點：第一、二者視覺傳感器位置不同，圖像視角差異明顯，如圖1所示，可見無人機航拍圖像背景信息更復(fù)雜，路面信息占比相對較少，干擾信息較多；第二、無人機場景下的車道線目標相對狹長，檢測距離要求更長。因此大部分基于智能車的車道檢測系統(tǒng)技術(shù)并不適用于無人機。針對無人機公路巡檢問題，需要設(shè)計適合處理航拍圖像的車道線檢測系統(tǒng)。

圖1 不同任務(wù)場景下的車道線圖片對比Fig.1 Comparison of lane line pictures under different task scenarios

2.2 車道線檢測系統(tǒng)組成

車道線檢測系統(tǒng)通常需要完成圖像采集、車道線檢測和后處理顯示等任務(wù)，對應(yīng)硬件主要包括：

（1）傳感器：用于進行道路信息采集，包括激光雷達、GPS、單目攝像頭等。其中視覺傳感器最為常用，計算機視覺技術(shù)相比之下具有成本較低、信息豐富等優(yōu)點，目前的車道線檢測系統(tǒng)大多利用單目攝像頭進行圖像信息的采集。

（2）計算平臺：用于車道線檢測算法的實現(xiàn)，完成輸入圖像中車道線的提取工作。目前基于無人機航拍圖像的車道線檢測系統(tǒng)常用的計算平臺有樹莓派系列、NIVIDIA TX系列等。深度神經(jīng)網(wǎng)絡(luò)在車道線檢測方法中的應(yīng)用使得算法對于計算機平臺的浮點數(shù)計算能力要求較高，機載計算平臺的計算能力很大程度限制了檢測效果。

（3）顯示設(shè)備：用于檢測結(jié)果的顯示。檢測需要實時地顯示檢測結(jié)果來提供車道線信息。

車道線檢測系統(tǒng)中的軟件部分主要包括數(shù)據(jù)采集模塊、車道線檢測模塊、結(jié)果后處理模塊，具體功能如下：

（1）數(shù)據(jù)采集模塊：用于讀入視頻和圖像文件。

（2）車道線檢測模塊：是車道線檢測系統(tǒng)的核心組成部分，通過該模塊來實現(xiàn)對車道線提取和檢測。一般的車道線檢測系統(tǒng)中，該算法由車道線特征提取和車道線擬合兩部分組成。除車道線檢測算法外還包括實現(xiàn)圖像顯示的預(yù)處理步驟和邊緣特征提取的OpenCV庫，深度學(xué)習(xí)需要依賴的CUDA、cuDNN庫、TensorFlow框架等軟件依賴庫。

（3）結(jié)果后處理模塊：車道線檢測結(jié)果顯示。

2.3 車道線檢測系統(tǒng)分類

根據(jù)車道線檢測核心技術(shù)的不同，目前主流無人機載車道線檢測系統(tǒng)可分為基于傳統(tǒng)方法和基于深度學(xué)習(xí)的檢測系統(tǒng)。

（1）基于傳統(tǒng)方法的檢測系統(tǒng)

基于傳統(tǒng)方法的檢測系統(tǒng)是指依靠傳統(tǒng)邊緣檢測方法來實現(xiàn)車道線檢測。與路面相比，車道線具有更易區(qū)分的梯度、灰度等邊緣特征，通過人為設(shè)計特征來實現(xiàn)車道線提取。羅林燕等［10］利用筆畫寬度算法進行道路標線提取，構(gòu)建了用于無人機航拍圖像道路交通標線檢測系統(tǒng)。唐濤［11］利用圖像分割和聚類算法，完成了高速公路車道線檢測和車輛分析軟件的設(shè)計與實現(xiàn)，系統(tǒng)可以對輸入的航拍高速公路圖像進行車道識別和車輛違法行為檢測。

（2）基于深度學(xué)習(xí)的檢測系統(tǒng)

基于深度學(xué)習(xí)的檢測系統(tǒng)代替了傳統(tǒng)方法中人為設(shè)計特征的步驟，由機器進行自主學(xué)習(xí)。趙凱迪［12］基于卷積神經(jīng)網(wǎng)絡(luò)，設(shè)計了基于無人機的車輛和車道檢測系統(tǒng)，系統(tǒng)獲取無人機實時采集的視頻圖像，提供車流量的統(tǒng)計與顯示、應(yīng)急車道占用情況的檢測與顯示、飛行路線控制和歷史信息顯示等功能?；谏疃葘W(xué)習(xí)的檢測系統(tǒng)應(yīng)用更加廣泛，除了可以進行車道線提取外，也可以作為端到端的檢測手段，Gansbeke 等［13］設(shè)計了一種基于全卷積網(wǎng)絡(luò)的端到端車道線檢測系統(tǒng)，系統(tǒng)分為檢測模塊和后處理模塊，檢測模塊利用神經(jīng)網(wǎng)絡(luò)實現(xiàn)輸入視覺傳感器的圖像信息，輸出車道線參數(shù)，在后處理模塊完成車道線檢測結(jié)果的顯示。

無人機載車道線檢測系統(tǒng)的工作流程一般如圖2所示。車道線檢測系統(tǒng)的核心技術(shù)包括車道線特征提取和車道線擬合定位，相關(guān)研究也集中在這兩個方面。

圖2 車道線檢測系統(tǒng)工作流程圖Fig.2 Work flow chart of lane detection system

3 車道線邊緣特征提取技術(shù)

車道線邊緣特征提取技術(shù)是指對車道線的邊緣特征進行檢測從而提取車道線信息。研究人員將計算機視覺和圖像處理領(lǐng)域的技術(shù)應(yīng)用到車道線邊緣特征檢測和提取，其發(fā)展趨勢是由傳統(tǒng)邊緣檢測方法向深度學(xué)習(xí)過渡。

3.1 基于傳統(tǒng)方法的邊緣提取

人為設(shè)計特征進行提取是傳統(tǒng)檢測方法中的關(guān)鍵步驟，合理的特征設(shè)計有助于提高檢測精度和速度。傳統(tǒng)的車道線提取主要借助車道線和路面環(huán)境相比具有的邊緣特征來進行車道線特征設(shè)計，目前常用的特征主要是梯度特征和顏色特征。

梯度特征是指車道線邊緣和路面相比有較為明顯的梯度變化，通過計算灰度圖中不同方向的一階導(dǎo)數(shù)或高階導(dǎo)數(shù)，并搜索峰值來定位邊緣，進而根據(jù)梯度的方向來確定邊緣方向。通常使用邊緣檢測微分算子來對圖像進行運算，李亞娣等［14］結(jié)合Otsu 算法和Canny 邊緣檢測算子，實現(xiàn)了夜間車道線檢測。王楠［15］利用二值化處理和閾值分割在光照條件良好的條件下對車道線邊緣進行檢測并分類，但該方法對于復(fù)雜情況魯棒性較差。Parajuli 等［16］認為光照陰影問題可以采用局部梯度特征進行克服。謝紅韜等［17］則基于白平衡算法動態(tài)選取Canny 檢測算子的閾值，優(yōu)化算法魯棒性。王云鵬等［18］在Canny 算子處理后的二值圖像中得到中心道路線，在邊緣檢測圖像中向兩側(cè)搜尋得到路側(cè)車道線，但該方法要求圖像中車道線必須保持水平且位于圖片中央位置。李清泉等［19］首先進行灰度化處理、灰度校正以及平滑濾波，篩選階躍邊緣點、標線邊緣點，并連接邊緣點，最后進行假邊緣的剔除，提取標線信息實現(xiàn)公路標線檢測。

此外，車道線也具有較為明顯的顏色特征，路面標識均為黃色或白色，因此也可以根據(jù)顏色特征來實現(xiàn)車道線提取。Cai 等［20］利用高斯統(tǒng)計顏色模型（G-SCM）在感興趣區(qū)域提出車道線顏色，利用改進霍夫變換檢測車道線，同時使用單通道圖像坐標系與世界坐標系的對應(yīng)關(guān)系計算車輛位置、偏航角以及車輛與車道線之間的位置。王懷濤等［21］將數(shù)據(jù)圖像從RGB 空間轉(zhuǎn)換到HSV 顏色空間，結(jié)合邊緣特征實現(xiàn)了對黃色車道線的檢測。葛嵩［22］基于顏色空間對航拍影像進行二值化處理，提取連通區(qū)域，進行骨架提取，簡化平滑后得到最終檢測結(jié)果。

基于邊緣特征的特征提取方法發(fā)展已經(jīng)相對成熟，實現(xiàn)簡單。該方法以車道線的邊緣特征為基礎(chǔ)，要求其邊緣特征明顯。當(dāng)車道線磨損較為嚴重或遮擋情況時，邊緣特征的提取極易受到噪聲的干擾。檢測方法很大程度依賴于人為設(shè)計特征的合理性，導(dǎo)致魯棒性差。

3.2 基于深度學(xué)習(xí)的邊緣提取

深度學(xué)習(xí)是機器學(xué)習(xí)的一種方法，通過模仿人腦神經(jīng)元網(wǎng)絡(luò)，使計算機能模仿人類思考和理解；可通過學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，實現(xiàn)復(fù)雜函數(shù)逼近，具有強大的從少數(shù)樣本集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力［23］。卷積神經(jīng)網(wǎng)絡(luò)（CNN）是深度學(xué)習(xí)網(wǎng)絡(luò)的重要組成部分，是目前圖像識別領(lǐng)域的重要工具，在圖像識別、目標檢測領(lǐng)域得以廣泛使用。建立車道線數(shù)據(jù)庫，用標記好的數(shù)據(jù)在神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，通過模型的自動學(xué)習(xí)來調(diào)整學(xué)習(xí)參數(shù)，可以避免人工設(shè)計特征。

基于深度學(xué)習(xí)的車道線檢測檢測方法可以分為兩類：目標檢測和圖像分割，兩種方法將車道線檢測作為不同的任務(wù)利用卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，完成車道線的特征提取，兩種圖像處理任務(wù)示意圖如圖3所示。

圖3 圖像處理任務(wù)Fig.3 Image processing task

（1）目標檢測

目標檢測［24］是指從圖像中定位感興趣的目標，需要準確地判斷每個目標的具體類別，并給出每個目標的邊界框。

近年來用于目標檢測的神經(jīng)網(wǎng)絡(luò)相關(guān)技術(shù)迅速發(fā)展，從最初2013年提出的R-CNN［25］，到之后的Faster R-CNN［26］、SSD［27］、YOLO［28］系列，基于深度學(xué)習(xí)的目標檢測網(wǎng)絡(luò)在開放檢測數(shù)據(jù)集和實際應(yīng)用中都有著出色的性能和表現(xiàn)。除了性能方面的提升優(yōu)化，網(wǎng)絡(luò)也向著輕量化發(fā)展，從面向PC 端到面向移動端，這有助于將神經(jīng)網(wǎng)絡(luò)算法移植到適用于飛行器的機載計算機，從而實現(xiàn)飛行器在線的車道線檢測。

基于目標檢測的車道線檢測方法在車輛自動駕駛領(lǐng)域發(fā)展迅速。梁樂穎［29］先用傳統(tǒng)的邊緣檢測方法檢測出車道線的大致位置，之后利用CNN對車道線區(qū)域和非車道線區(qū)域進行篩選，提高檢測準確率，同時使用R-FCN 網(wǎng)絡(luò)進行車道線檢測。Kim等［30］介紹了一種將CNN 和RANSAC 相結(jié)合的車道線檢測方法。在RANSAC 方法的前后均加入了CNN 網(wǎng)絡(luò)。Huval 等［31］修改了全卷積神經(jīng)網(wǎng)絡(luò)，在Overfeat 模型的基礎(chǔ)上，增加了由七個特征共享的卷積層組成的綜合回歸模塊；兩個分支網(wǎng)絡(luò)分別完成車輛檢測的回歸任務(wù)以及車道線檢測的二進制分類任務(wù)；但本文中只在高速公路且光照良好的條件下進行檢測結(jié)果的評估，方法不具有普遍性。Li等［32］提出了一種融入圖像空間結(jié)構(gòu)信息的神經(jīng)網(wǎng)絡(luò)框架，建立用于處理外形與目標空間分布特征的多任務(wù)深度卷積神經(jīng)網(wǎng)絡(luò)，可以同時檢測感興趣區(qū)域內(nèi)的目標以及目標幾何屬性，多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)提供輔助的幾何信息，幫助給定車道線結(jié)構(gòu)后續(xù)建模，循環(huán)網(wǎng)絡(luò)將自動檢測車道線邊界。

車輛自動駕駛場景下主要使用目標檢測法進行車道線的檢測和提取，視覺傳感器中得到的車道線目標尺寸相對較大，適用于目標檢測網(wǎng)絡(luò)中的錨點框尺寸比例。但在無人機場景下，車道線目標相對狹長，進行前期數(shù)據(jù)標定時，難以利用目標檢測網(wǎng)絡(luò)的相應(yīng)標注手段進行準確的數(shù)據(jù)標定，故該類方法對無人機載車道線檢測問題適用性較差。

（2）圖像分割

圖像分割任務(wù)，是指將圖像內(nèi)容根據(jù)目標種類等語義進行分割，使得計算機可以識別圖像，從而完成場景理解和認知任務(wù)。針對無人機車道線目標難以標定的問題，已有技術(shù)采用的是將車道線檢測問題作為圖像分割任務(wù)，通過對圖像進行像素級別的分割標注完成前期的數(shù)據(jù)準備工作并進行后續(xù)訓(xùn)練。

在車道線檢測問題中，一般利用全卷積網(wǎng)絡(luò)等神經(jīng)網(wǎng)絡(luò)作為網(wǎng)絡(luò)模型，利用標記好車道線像素區(qū)域的數(shù)據(jù)集進行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，最終得到的模型可以實現(xiàn)輸入航拍道路圖像，輸出分割后的二值圖，其中車道線區(qū)域像素值為1，背景部分像素值為0。

趙凱迪［12］采用了自建的包括不同光照下白天和夜間的高速公路車道圖片作為數(shù)據(jù)集，通過FCN（全卷積神經(jīng)網(wǎng)絡(luò)）來實現(xiàn)車道的語義分割，為了避免耗時過長的問題，將FCN 網(wǎng)絡(luò)裁剪至4 層卷積層和1層反卷積層，在犧牲了檢測精度的同時，耗時減少了93%。

Kestur 等［33］針對無人機航拍圖像，建立了樣本容量為100 張的航空影像數(shù)據(jù)集，同時提出了一種U-FCN 網(wǎng)絡(luò)，即形狀類似U 形的全卷積神經(jīng)網(wǎng)絡(luò)。將車道線檢測問題作為圖像分割問題，通過對數(shù)據(jù)庫中的圖片進行像素級別的標注，標注出車道線區(qū)域和非車道線區(qū)域，再進行后續(xù)檢測，為基于無人機航拍圖像的車道線檢測問題提供了方法。該方法檢測準確率較高，但所用時間較長，不具有實時性。

Azimi等［34］基于德國航空航天中心的VABENE++項目框架建立了車道標記數(shù)據(jù)集Aerial Lanes18 Dataset，該數(shù)據(jù)集主要針對高空無人機的遙感圖像。他們將離散小波變換（DCT）引入到全卷積網(wǎng)絡(luò)中，同時引入代價敏感系數(shù)來修正損失函數(shù)。將車道線檢測問題作為圖像分割問題，最后網(wǎng)絡(luò)輸出的是二值圖像。其中的車道線部分為1，背景環(huán)境為0。該方法檢測效果準確率高，且速度較快。

基于圖像分割的方法在無人機載車道線檢測技術(shù)中應(yīng)用較多，檢測精度較高。但該方法依賴于前期數(shù)據(jù)集的準備，因此存在的問題是已有數(shù)據(jù)集容量不夠大、場景相對單一。目前國內(nèi)外公開的車道線數(shù)據(jù)集主要集中于車輛自動駕駛和遙感圖像領(lǐng)域，常見的數(shù)據(jù)集有：Kestur等［33］建立的無人機航拍圖像數(shù)據(jù)集、AerialLanes18 Data Set［34］、加州理工視覺實驗室的開放數(shù)據(jù)庫［35］等。公開的航拍車道線數(shù)據(jù)集較少，一方面由于車道線檢測技術(shù)具有一定商用性，各團隊很少公開已標注的數(shù)據(jù)集，另一方面公開的數(shù)據(jù)集往往針對單一場景下的相應(yīng)問題，數(shù)據(jù)量有限。特別是針對無人機任務(wù)場景，公開數(shù)據(jù)集更少，且數(shù)據(jù)集容量均相對較小。這主要是由于：1.面向無人機的車道線檢測技術(shù)研究相對較少，現(xiàn)有技術(shù)更集中于針對高空無人機遙感圖像進行道路信息的提取，少有面向低空無人機的航拍圖像數(shù)據(jù)；2.數(shù)據(jù)集采集相對困難，深度學(xué)習(xí)要求數(shù)據(jù)集樣本具有一定的差異性，而對于航拍道路圖像，同一路段的數(shù)據(jù)樣本具有高的相似性，極易出現(xiàn)數(shù)據(jù)冗余的情況。數(shù)據(jù)集的相對缺失是該方法存在的主要問題。同時該方法對板載計算機性能要求較高，單張圖片檢測速度大約為100ms，算法實時性較差。車道線的邊緣特征檢測方法對比如表1所示。

表1 不同車道線檢測方法對比Tabel 1 Comparison of different lane detection methods

4 車道線擬合技術(shù)

通過車道線特征的提取，一般得到閾值分割后的二值圖像，其中像素值為1 的前景部分為提取的車道線信息，像素值為0 的背景部分為非車道線區(qū)域，多數(shù)檢測系統(tǒng)還引入了利用特定曲線模型來進行擬合的步驟，來提高檢測效果以便結(jié)果的顯示。車道線具有特定的線型，該步驟實質(zhì)是利用特定數(shù)學(xué)模型（直線模型、拋物線模型、樣條曲線模型）來擬合車道線，轉(zhuǎn)化成模型參數(shù)求解問題。

目前，霍夫變換和最小二乘法是最常用的方法。張翀等［36］在利用Sobel 算子和自適應(yīng)雙閾值完成邊緣特征提取后利用經(jīng)典霍夫變換，基于直線模型進行車道線的后續(xù)檢測工作。周敏等［37］利用Hough 變換對公路區(qū)域進行劃分提取，閾值分割后得到二值圖像，利用圖像匹配去除重復(fù)區(qū)域，實現(xiàn)對道路標線進行提取和破損檢測，但該方法只適用于直線車道線。朱亞萍等［38］利用數(shù)學(xué)形態(tài)學(xué)、大津算法和Canny 算子進行處理后，使用霍夫變換結(jié)合最小二乘法進行車道線的檢測定位，但只對室內(nèi)微縮模型進行了測試。孫偉等［39］利用霍夫變換全局提取參數(shù)，并使用最小二乘法對直線車道進行參數(shù)擬合，具有較好的實時性。

上述方法都針對的是車道線為直線模型情況，而在實際的公路巡檢任務(wù)中，道路信息十分復(fù)雜，單一的直線模型并不適用，還需要引入其他更復(fù)雜的曲線模型進行擬合。唐濤［11］對車道線特征點進行聚類處理后，采用三次B 樣條曲線作為車道線模型，利用RANSAC 和卡爾曼算法進行車道線模型參數(shù)擬合，對錯誤車道線結(jié)果進行剔除修正，該方法只針對高速公路車道線進行檢測，場景較為單一。楊歡歡［40］分析了常見的車道線直線、曲線模型，設(shè)計了一種新型混合掃描模型，能夠同時識別直線和曲線，在白天和夜晚都進行了實驗，檢測效果較好。何鵬等［41］采用的Catmull-Rom 樣條曲線模型對彎曲車道線有很好的擬合效果。王其東等［42］對彎曲車道線利用雙曲線模型和直線模型擬合的車道信息進行車道線尋優(yōu)，表現(xiàn)出較好的魯棒性。Jung 等［43］提出一種基于改進的邊緣分布函數(shù)（EDF），將輸入的單幀圖像分為“近視場區(qū)域”和“遠視場區(qū)域”：近視場區(qū)域使用直線模型，遠視場區(qū)域使用曲線模型；利用改進的霍夫變換檢測兩種模型對應(yīng)的車道線位置。該方法適用于存在陰影、光照變化、路面破損等噪聲干擾的環(huán)境；但該方法要求車道線為直線，且無其他線性結(jié)構(gòu)的干擾。Aly［35］采用了貝塞爾樣條曲線模型；Wang 等［44］采用雙曲線模型；Haloi 等［45］假設(shè)巷道均為三次樣條曲線模型并進行擬合。

車道線擬合建立在特定的幾何模型基礎(chǔ)上，一般來講，簡單模型擬合結(jié)果較差，但具有較好的魯棒性，能有效抵抗噪聲干擾；復(fù)雜模型能更加靈活地擬合車道線，但易受干擾且算法研究難度較大；單一的道路模型不能夠使用于多變的路況場景。通過對提取特征的車道線信息進行參數(shù)擬合，可以輸出更精確的檢測結(jié)果，有助于無人機在后續(xù)道路跟蹤任務(wù)中規(guī)劃航跡。

5 結(jié)束語

隨著無人機技術(shù)和計算機視覺技術(shù)的進一步發(fā)展，未來無人機在智能交通等領(lǐng)域會扮演更加重要的角色。跟蹤車道線技術(shù)可以滿足公路巡檢等特殊任務(wù)對于軌跡的高精度要求，幫助無人機更好地執(zhí)行公路巡檢等任務(wù)。然而現(xiàn)有車道線檢測方法還存在需要進一步解決的問題。比如傳統(tǒng)邊緣檢測方法存在人為設(shè)計邊緣特征的局限性，無人機航拍圖像存在公路隔離帶和道路圍欄等其他相似邊緣特征干擾；用于無人機道路跟蹤的專用車道線數(shù)據(jù)集質(zhì)量不高和數(shù)量不足，未來需要建立包含各類不同道路場景的道路航拍圖像數(shù)據(jù)集；另外，檢測方法實時性不夠強，機載計算機計算能力和檢測算法制約了車道線檢測在飛行器上的在線應(yīng)用，導(dǎo)致無人機對道路自主跟蹤存在一定困難。

綜上，車道線檢測技術(shù)是實現(xiàn)無人機自主道路跟蹤的關(guān)鍵技術(shù)之一。隨著計算機視覺等相關(guān)技術(shù)的進一步發(fā)展，針對無人機道路檢測的車道線檢測技術(shù)勢必會具有更精細的檢測效果以及更高的魯棒性、實時性，使得無人機更好地執(zhí)行自主道路跟蹤等任務(wù)。此外，也可推廣該類算法并應(yīng)用到電力巡線、石油管道巡檢等任務(wù)場景，為生產(chǎn)和生活帶來更大的便利。