田傲霜，陳華清，陳學(xué)文

（1.遼寧工業(yè)大學(xué) 土木建筑工程學(xué)院，遼寧 錦州 121001；2.遼寧工業(yè)大學(xué) 汽車與交通工程學(xué)院，遼寧 錦州 121001）

1 前言

根據(jù)2018年國家三部委共同發(fā)布的《智能網(wǎng)聯(lián)汽車道路測試管理規(guī)范（試行）》，智能網(wǎng)聯(lián)汽車是以車、路、道路基礎(chǔ)設(shè)施為基本節(jié)點(diǎn)和信息源，并融合現(xiàn)代通信與網(wǎng)絡(luò)技術(shù)，具備復(fù)雜環(huán)境感知、智能決策、協(xié)同控制等功能，從而實(shí)現(xiàn)“車－人－道路－城市”的和諧統(tǒng)一。車道偏離預(yù)警系統(tǒng)是智能網(wǎng)聯(lián)汽車實(shí)現(xiàn)自動(dòng)駕駛的重要基礎(chǔ)，性能可靠的車道偏離預(yù)警（LDW）與保持系統(tǒng)（LKP）可以有效避免與高速公路上側(cè)向車道內(nèi)行駛的車輛發(fā)生碰撞的可能性。利用視覺圖像技術(shù)實(shí)施智能車輛前方車道線的實(shí)時(shí)檢測是車道偏離預(yù)警與保持系統(tǒng)的核心技術(shù)，其檢測方法與精度直接影響系統(tǒng)的可靠性。本文就車道線檢測內(nèi)容，詳細(xì)分析其檢測方法與國內(nèi)外研究進(jìn)展情況，并對(duì)預(yù)警系統(tǒng)的預(yù)警模型構(gòu)建進(jìn)行總結(jié)與分析，對(duì)其發(fā)展方向進(jìn)行展望。

2 車道線檢測系統(tǒng)

車道線檢測的方法主要包括兩類：一類是基于特征的車道線檢測方法，另一類是基于模型的車道線檢測方法?；谔卣鞯臋z測法是利用圖像邊緣特征，如形狀、紋理等檢測車道線?；谀Ｐ偷能嚨谰€檢測法是對(duì)道路采用如直線、雙曲線等模型，再結(jié)合如霍夫變換或隨機(jī)一致采樣法等得到模型參數(shù)，進(jìn)而實(shí)現(xiàn)車道線的檢測。

2.1 國內(nèi)研究現(xiàn)狀

郜瑞芹[1]重點(diǎn)研究了正常天氣與大霧及雨雪等天氣條件下彎曲道路的車道線檢測方法。主要采用了 SVM 與AdaBoost算法解決特征空間的非線性問題與算法的加強(qiáng)學(xué)習(xí)能力等問題。最后，驗(yàn)證了上述天氣條件下，針對(duì)左右彎道車道線采取不同控制算法的檢測效果。

劉富強(qiáng)[2]提出一種基于三維道路模型的車道線檢測算法，根據(jù)車道線顏色突變，檢測車道線的邊界，并使用卡爾曼濾波，實(shí)現(xiàn)車道線跟蹤。該方法魯棒性強(qiáng)，但是由于算法的復(fù)雜性，算法比較耗時(shí)。

景輝[3]設(shè)計(jì)了基于全局特征的車道線位置神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)整條車道線的粗定位。采用神經(jīng)網(wǎng)絡(luò)對(duì)車道線區(qū)域進(jìn)行分塊，得到局部車道線，設(shè)計(jì)了兩種局部車道線重心檢測算法，實(shí)現(xiàn)了車道線位置的精確修正。

2.2 國外研究現(xiàn)狀

Li W[4]在文獻(xiàn)中提出一個(gè)基于子區(qū)域的車道線檢測預(yù)警系統(tǒng)。該方法首先對(duì)讀取的圖像提取出感興趣區(qū)域，為了減少不必要的圖像冗余處理，將感興趣區(qū)域分成兩個(gè)子區(qū)。采用Canny邊緣檢測算子獲取圖像中目標(biāo)的邊緣特征線，以車道線寬度為輔助條件并結(jié)合Hough變換方法提取車道線。然后對(duì)提取出來的車道線形狀進(jìn)行分類，若為曲線形狀則利用三次B樣條線型進(jìn)行擬合處理；若為直線形狀車道線，則通過獲取的車道線的特征點(diǎn)進(jìn)行直接擬合即可。

Gaikwad V[5]等提出了一種在道路上行駛的車輛不希望偏離車道的方法。采用分段線性拉伸函數(shù)來提高感興趣區(qū)域的對(duì)比度。將感興趣區(qū)域劃分為兩個(gè)子區(qū)域，分別對(duì)每個(gè)子區(qū)域進(jìn)行霍夫變換，實(shí)現(xiàn)道路上的車道標(biāo)記檢測。對(duì)于車道偏離的識(shí)別，主要采用基于歐氏距離變換法對(duì)車道偏離測度進(jìn)行估計(jì)。該項(xiàng)技術(shù)的誤報(bào)警率為3%左右。

Lee S[6]等提出了一個(gè)統(tǒng)一的端到端可訓(xùn)練的多任務(wù)網(wǎng)絡(luò)。該網(wǎng)絡(luò)在惡劣天氣條件下，通過一個(gè)消失點(diǎn)引導(dǎo)，共同處理車道和道路標(biāo)記的檢測和識(shí)別。建立了無雨天氣、雨天、大雨及夜間等四種不同場景下17個(gè)車道和道路標(biāo)記類，訓(xùn)練和評(píng)估了多任務(wù)網(wǎng)絡(luò)，并驗(yàn)證了每個(gè)任務(wù)的重要性。

3 車道預(yù)警模型

車道預(yù)警模型一般分為四類：基于當(dāng)前位置的預(yù)警模型（CCP模型）；基于將來偏離量的預(yù)警模型（FOD模型）；基于車輛將橫越車道邊界時(shí)間的預(yù)警模型（TLC模型）；基于道路場景感知的預(yù)警模型（KBIRS模型）。

文獻(xiàn)[7]提出了基于動(dòng)態(tài)劃分檢測區(qū)域的車道線檢測算法，改進(jìn)了傳統(tǒng)的跨越車道線的車道偏離預(yù)警算法，設(shè)計(jì)了車道線偏離時(shí)間計(jì)算方法。對(duì)安裝的車載相機(jī)進(jìn)行標(biāo)定以獲取相機(jī)參數(shù)，設(shè)置了偏離時(shí)間閾值條件，決策是否實(shí)施預(yù)警。文獻(xiàn)[8]設(shè)計(jì)了基于車輛橫向位置和偏航角度的預(yù)警模型，在車輛偏離距離安全閾值的基礎(chǔ)上又增添了車輛偏航角度安全閾值，與傳統(tǒng)模型相比更加簡單高效。文獻(xiàn)[9]則是利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)車道線進(jìn)行精確檢測，再根據(jù)本車道線的對(duì)稱情況設(shè)置偏離安全閾值，若超出該閾值則進(jìn)行預(yù)警。

CCP模型通過檢測車輛在當(dāng)前車道中的位置，并假定車輛大致與車道線平行，再根據(jù)車寬等已知信息，可求出車輛左右車輪當(dāng)前位置相對(duì)于左右車道邊界的距離，如公式（1）所示。

式中：blane為當(dāng)前車道寬度（m）；d0為車輛中心線相對(duì)于車道中心線的距離；bv為車輛的寬度（m）。 對(duì)于公式（1），若Δd＞0，則表明車輛沒有超過兩邊的臨界車道線，此時(shí)不報(bào)警；若 Δd＜0，則表明車輛已經(jīng)越過兩邊的臨界車道線，此時(shí)應(yīng)發(fā)出偏離報(bào)警。

FOD模型主要基于車輛在路面上未來偏離量，設(shè)立了虛擬和真實(shí)車道線，并根據(jù)側(cè)向速度、當(dāng)前車輛距車道線的距離來算出預(yù)計(jì)車輛側(cè)向位置，若超出給定的邊界位置閾值，則預(yù)警。

TLC模型主要依據(jù)車輛當(dāng)前的運(yùn)行狀態(tài)估計(jì)出一定時(shí)間后車輛穿越車道線的時(shí)間，將估計(jì)出的時(shí)間與安全閥值相比較，從而提供預(yù)警。

圖1 轉(zhuǎn)向盤轉(zhuǎn)角不變的TLC預(yù)警示意圖

圖1為轉(zhuǎn)向盤轉(zhuǎn)角不變的TLC預(yù)警示意圖，車輛觸碰臨界車道線的時(shí)間綜合考慮了車輛的側(cè)偏角、橫擺角速度和前向速度，其模型如公式（2）—公式（4）所示。

公式（2）—公式（4）中：d（l）為車輛前輪距道路邊界線的距離（m）；v為車輛前行速度（m/s）；al為車輛側(cè)向加速度（m/s2）；Cr與CV分別為道路曲率和車輛運(yùn)行軌跡曲率，且CV=?/v；?為車輛橫擺角速度（rad/s）；θ為車輛側(cè)偏角（rad）。

對(duì)于公式（4），若觸碰臨界車道線的時(shí)間tc＜tth時(shí)，發(fā)出偏離報(bào)警。

4 總結(jié)與展望

通過車道偏離預(yù)警系統(tǒng)的分析可知，LDW 技術(shù)主要包括：利用視覺圖像進(jìn)行車道線的檢測方法研究和LDW 模型構(gòu)建的研究兩大部分。在車道線檢測方法研究方面，可以在傳統(tǒng)車道線檢測方法基礎(chǔ)上，探究基于深度學(xué)習(xí)理論的車道線識(shí)別新方法或采用雙目視覺實(shí)施車道線檢測的新技術(shù)等。在車道偏離預(yù)警模型的構(gòu)建方面，可以結(jié)合車輛的行駛姿態(tài)等探究車道偏離預(yù)估計(jì)模型。只有準(zhǔn)確地檢測出車道線信息，構(gòu)建合理的車道偏離預(yù)警模型，才能及時(shí)、可靠地告誡因疲勞駕駛或注意力不集中的駕駛員，使其修正無意識(shí)的車道偏離，減少和預(yù)防車道偏離事故的發(fā)生。