吳 華

（北京吉利學(xué)院汽車工程學(xué)院，中國(guó) 北京 102202）

0 引言

智能網(wǎng)聯(lián)汽車中車道線的正確檢測(cè)是實(shí)現(xiàn)自主導(dǎo)航的關(guān)鍵問題。 從近幾年的有關(guān)車道線檢測(cè)文獻(xiàn)看，車道線檢測(cè)算法可分為基于區(qū)域的、基于特征的和基于模型的3 種。 基于區(qū)域的算法包括特征提取、特征去相關(guān)、聚類和分割，將圖像分為車道線部分和非車道線部分， 胡勝在文獻(xiàn) [1] 中提出利用SVM（Support Vector Machine，支持向量機(jī)）對(duì)圖像的方向梯度直方圖進(jìn)行分類。宣寒宇等在文獻(xiàn)[2]中提出用聚類方法進(jìn)行分類，但分類器所花時(shí)間較長(zhǎng)，實(shí)時(shí)性不高。 基于特征[3-4]的算法是利用顏色、紋理和形狀等進(jìn)行車道線提取，但這種算法易受光照不均勻、標(biāo)志線磨損、路面有水漬、陰影的影響，魯棒性較差。另外，檢測(cè)過程需要處理的區(qū)域面積大，執(zhí)行時(shí)間長(zhǎng)，實(shí)時(shí)性不好。 基于模型[5-10]的算法先進(jìn)行圖像預(yù)處理、特征提取、模型匹配，即選擇合適的道路模型，利用提取的圖像信息確定模型參數(shù)，擬合出車道線曲線，可以實(shí)現(xiàn)對(duì)非結(jié)構(gòu)化道路的檢測(cè)。常用的車道線模型有直線模型、雙曲線模型、拋物線模型、三次B 樣條曲線模型等。 基于模型的算法魯棒性較高，但要注意算法的復(fù)雜性不能太高，否則會(huì)影響算法的實(shí)時(shí)性。

1 基于模型的車道線檢測(cè)算法比較

穆柯楠在文獻(xiàn)[11]中提出一種基于非均勻B-樣條曲線模型（Non Uniform B-Spline，NUBS）的車道線檢測(cè)算法。 在進(jìn)行車道線檢測(cè)之前，對(duì)圖像進(jìn)行中值濾波、 直方圖均衡、 確定感興趣區(qū)域 （Region of Interest，ROI），利用Canny 算子進(jìn)行車道線邊緣檢測(cè)，算出每條邊緣的長(zhǎng)度，然后對(duì)車道線邊緣圖像進(jìn)行形態(tài)學(xué)處理、方向約束。確定車道線控制點(diǎn)，再進(jìn)行車道線分類，確定是實(shí)車道線還是虛車道線，最后對(duì)車道線邊緣曲線重構(gòu)、曲線估計(jì)、車道線跟蹤。

賈會(huì)群在文獻(xiàn)[12]中提出一種基于上凸曲線模型的車道線檢測(cè)算法。 首先，進(jìn)行約束假設(shè)來簡(jiǎn)化車道線模型，即假設(shè)車道線形狀符合某種函數(shù)曲線、道路特征一致、車道線連續(xù)。然后對(duì)圖像進(jìn)行邊緣提取，將邊緣圖像分成兩部分（取圖像左側(cè)7/12，右側(cè)7/12），分別在左右兩個(gè)區(qū)域進(jìn)行掃描，提取灰度值為1 的像素點(diǎn)，即車道線的候選點(diǎn)，最后利用Hough 變換、最小二乘法、RANSAC 算法等對(duì)候選點(diǎn)按照所選的曲線模型擬合，即確定模型的參數(shù)。 在已提出的基于模型的車道線檢測(cè)算法中，三次B 樣條曲線模型雖然魯棒性高，但算法較復(fù)雜，實(shí)時(shí)性較差。 另外，已提出的算法大多采用掃描法獲得車道線候選點(diǎn)， 該方法太費(fèi)時(shí)間，實(shí)時(shí)性較差，而且當(dāng)車道線曲率較大時(shí)，將圖像分為左右兩部分時(shí)，左側(cè)或右側(cè)圖像有時(shí)不能完全包含左、右車道線。文獻(xiàn)[12]提出的基于上凸曲線模型的車道線檢測(cè)算法，不須掃描得到車道線的候選點(diǎn)。 先提取車道線邊緣， 再運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)對(duì)新的道路模型參數(shù)估計(jì)，擬合出上凸函數(shù)曲線，如圖1 所示，該曲線的最大值左邊為左車道線，右側(cè)為右車道線。 利用曲線的上凸性在最大值處將曲線分為左右兩部分，從而檢測(cè)出左、右車道線。為提高擬合的精度，利用最小二乘法對(duì)左、右車道線進(jìn)行擬合。

文獻(xiàn)[12]利用具有方向性的線檢測(cè)器進(jìn)行車道線邊緣檢測(cè)。 BP 神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練權(quán)值的神經(jīng)網(wǎng)絡(luò)。當(dāng)數(shù)據(jù)流從輸出層輸出的結(jié)果不是所期望的結(jié)果時(shí)，就把輸出值與期望值的差反向傳播，更新權(quán)值直至誤差信號(hào)達(dá)到最小。利用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行曲線擬合，可以逼近任意曲線模型。

圖1 車道線模型

若已知左、右車道線的坐標(biāo)（xi，yi）（i=0，1，2，…，n），滿足函數(shù)g（x）。

2 結(jié)語(yǔ)

綜上所述，基于區(qū)域和基于特征的車道線檢測(cè)算法的魯棒性不太好，特別當(dāng)路面磨損較嚴(yán)重、光照不均勻或有陰影時(shí)，檢測(cè)的準(zhǔn)確性降低，出現(xiàn)誤檢和漏檢的可能性較大。所以基于模型的車道線檢測(cè)算法要優(yōu)于其他兩類算法?；谌蜝 樣條曲線模型的算法雖然檢測(cè)的準(zhǔn)確性較高、魯棒性也較好，但算法復(fù)雜度較高，實(shí)時(shí)性較差，不適合用于智能網(wǎng)聯(lián)汽車的車道線檢測(cè)系統(tǒng)。今后應(yīng)提出一種基于動(dòng)態(tài)閾值和動(dòng)態(tài)ROI 的車道線檢測(cè)算法結(jié)合卡爾曼濾波對(duì)車道線位置進(jìn)行實(shí)時(shí)跟蹤， 利用直線-雙曲線結(jié)合的車道線模型進(jìn)行擬合，可提升算法的實(shí)時(shí)性和魯棒性。