穆柯楠，王會(huì)峰，趙祥模

(1.長(zhǎng)安大學(xué) 電子與控制工程學(xué)院，陜西 西安 710064；2.長(zhǎng)安大學(xué) 信息工程學(xué)院，陜西 西安 710064)

0 引言

當(dāng)前無人駕駛技術(shù)是智能交通領(lǐng)域的研究熱點(diǎn)，國(guó)內(nèi)外眾多科研院所、企業(yè)的大量科研投入大大推進(jìn)了無人駕駛技術(shù)的迅猛發(fā)展。車道線作為車輛進(jìn)行車道保持、變道等駕駛行為的必要信息，是無人車行車環(huán)境感知中的一項(xiàng)重要環(huán)境數(shù)據(jù)，因此車道線檢測(cè)方法的性能優(yōu)劣對(duì)無人車環(huán)境感知系統(tǒng)性能乃至整個(gè)無人車駕駛系統(tǒng)的安全性有著不可忽視的影響。

車道線檢測(cè)的主要目的是從視頻圖像中提取車道線的位置信息。目前常用的車道線檢測(cè)方法大致可分為基于區(qū)域、基于特征和基于模型3類[1-3]，其中基于模型的車道線檢測(cè)方法通?；诮Y(jié)構(gòu)化道路的車道線走向可用特定的數(shù)學(xué)模型來逼近這一思想，針對(duì)直線型、拋物線型、蛇型等不同走向的車道線采用直線、拋物線、雙曲線、樣條曲線等數(shù)學(xué)模型來擬合，從而在保證車道線檢測(cè)準(zhǔn)確性的同時(shí)大大降低檢測(cè)成本[4-10]。樣條曲線由分段多項(xiàng)式表達(dá)，可精確擬合任意形狀的曲線，因此在車道線檢測(cè)中得到了廣泛應(yīng)用[11-14]。Berriel等[15]深入研究了B樣條曲線在描述更廣泛類型車道線曲線擬合中的應(yīng)用。Cao等[11]基于三階B樣條曲線模型，采用隨機(jī)樣本共識(shí)算法對(duì)車道線的曲線進(jìn)行擬合，并對(duì)曲線進(jìn)行了擬合評(píng)估和曲率半徑計(jì)算。唐濤[12]在車道線特征點(diǎn)聚類的基礎(chǔ)上，為更好地描述高速公路車道線形狀，采用三次B樣條曲線作為車道線模型。周慧子等[13]利用三次樣條曲線的二階連續(xù)性，結(jié)合已知的車道信息實(shí)現(xiàn)了車道線檢測(cè)。穆柯楠[14]進(jìn)一步考慮非均勻B樣條曲線在描述車道線方面的優(yōu)越性，在根據(jù)車道線邊緣信息確定樣條曲線控制點(diǎn)的基礎(chǔ)上，制定車道線分類策略，基于非均勻B樣條(NUBS)曲線模型匹配實(shí)現(xiàn)了車道線的檢測(cè)、分類與跟蹤。Li等[16]采用二進(jìn)制粒子群優(yōu)化求解B樣條曲線模型參數(shù)實(shí)現(xiàn)了車道線檢測(cè)。張嘉明等[17]分區(qū)域?qū)嚨谰€邊緣點(diǎn)進(jìn)行Hough變換來擬合直線，根據(jù)分區(qū)中的直線確定控制點(diǎn)并使用三次均勻B樣條曲線擬合了車道線。分析以上研究可知，控制點(diǎn)的確定是B樣條曲線擬合車道線的關(guān)鍵，然而車輛遮擋、樹蔭、建筑物陰影、路面破損等干擾，為模型控制點(diǎn)的提取增加了不少難度，從而影響車道線擬合的準(zhǔn)確性甚至導(dǎo)致擬合失敗。

針對(duì)上述問題，本研究在“相機(jī)光軸與道路平面平行”及“左右車道線平行”的假設(shè)基礎(chǔ)上，提出一種成像模型約束下的非均勻B樣條曲線擬合車道線檢測(cè)方法，在相機(jī)幾何成像模型的基礎(chǔ)上，推導(dǎo)車道線-相機(jī)成像模型約束下的控制點(diǎn)估算模型，從而提高非均勻B樣條曲線控制點(diǎn)提取方法的魯棒性，準(zhǔn)確擬合出車道線。

1 車道線邊緣檢測(cè)

考慮到車道線圖像采集過程中可能存在的環(huán)境亮度變化、相機(jī)抖動(dòng)等因素造成圖像灰度分布不均、模糊、噪點(diǎn)等現(xiàn)象，在進(jìn)行車道線邊緣檢測(cè)之前，首先對(duì)圖像進(jìn)行中值濾波以減少椒鹽噪聲，然后進(jìn)行直方圖均衡化處理以增強(qiáng)圖像的亮度和對(duì)比度，從而突出邊緣特征。

由于結(jié)構(gòu)化道路的車道線通常由邊界清晰的連續(xù)直線、曲線或短劃線構(gòu)成，因此采用Canny邊緣檢測(cè)算子提取圖1(a)所示的車道線的邊緣特征，結(jié)果如圖1(b)所示。為在提高邊緣連續(xù)性的同時(shí)降低背景干擾，得到更為純凈的車道線邊緣圖像，對(duì)車道線邊緣圖像進(jìn)行如下2步后續(xù)處理。

圖1 車道線檢測(cè)結(jié)果Fig.1 Lane marking detection result

(1)形態(tài)學(xué)處理：彌合間隔小于3的邊緣線段，以提高邊緣連續(xù)性。

(2)Hough直線檢測(cè)：結(jié)合“近視場(chǎng)的車道線邊緣呈直線型”的特點(diǎn)，對(duì)車道線邊緣圖像進(jìn)行Hough直線檢測(cè)(圖1(c))，只保留那些包含直線檢測(cè)結(jié)果的邊緣，據(jù)此進(jìn)一步消除那些由背景建筑、樹蔭、障礙物、路面孔洞、裂縫等形成的干擾邊緣。經(jīng)上述2步處理得到的車道線邊緣如圖1(d)所示。

2 基于成像模型的非均勻B樣條曲線車道線擬合

控制點(diǎn)確定是采用B樣條曲線模型進(jìn)行車道線擬合的重要環(huán)節(jié)。為了降低車輛遮擋、樹蔭、建筑物陰影、路面破損及各種非車道線路面標(biāo)線對(duì)控制點(diǎn)確定造成的干擾，基于相機(jī)幾何成像模型，在“相機(jī)光軸與車輛行駛道路平面平行”及“左右車道線平行”的假設(shè)基礎(chǔ)上，提出一種成像模型約束下的控制點(diǎn)提取方法，從而實(shí)現(xiàn)車道線擬合。

2.1 成像模型約束建立

已知世界坐標(biāo)系(x,y,z)和圖像坐標(biāo)系(u,v)。如圖2所示，已知相機(jī)最大水平視角為α，最大垂直視角為β，相機(jī)安裝位置在世界坐標(biāo)系中的坐標(biāo)為C(d,0,h)，其中h為相機(jī)安裝高度，即相機(jī)在世界坐標(biāo)系z(mì)軸上的值，d為相機(jī)安裝水平偏移，即相機(jī)在世界坐標(biāo)系中x軸上的值。相機(jī)光軸與車輛行駛道路平面平行，與車道線夾角為γ。根據(jù)相機(jī)幾何成像模型，可知世界坐標(biāo)系中路面上某點(diǎn)P(x,y,0)與圖像坐標(biāo)系中相對(duì)坐標(biāo)點(diǎn)Q(u,v)的映射模型為[18]：

圖2 相機(jī)在世界坐標(biāo)系中的位置示意圖Fig.2 Schematic diagram of camera’s position in world coordinate system

(1)

(2)

(3)

(4)

式中HI和WI分別為相機(jī)成像后圖像的水平、垂直分辨率。

根據(jù)相機(jī)成像原理可知，成像后圖像中車道線線段長(zhǎng)度是隨著世界坐標(biāo)系中車道線線段與相機(jī)距離的增加而縮短的，即在世界坐標(biāo)系中路面上長(zhǎng)度相等的車道線線段，在近視場(chǎng)中成像得到的車道線線段較長(zhǎng)，而在遠(yuǎn)視場(chǎng)中成像得到的車道線線段較短。同理，在世界坐標(biāo)系中路面上相同的左右車道線間距，在近視場(chǎng)中成像得到的車道線間距較寬，而在遠(yuǎn)視場(chǎng)中成像得到的車道線間距較窄。根據(jù)這一成像事實(shí)，結(jié)合前述相機(jī)成像模型，可推導(dǎo)出在世界坐標(biāo)系中長(zhǎng)度為Δy的車道線線段對(duì)應(yīng)的圖像坐標(biāo)系中第u列中的線段長(zhǎng)度Δv為：

(5)

式中Δy=yi+1-yi；yi+1和yi分別為線段Δy兩端點(diǎn)的縱坐標(biāo)。

而在世界坐標(biāo)系中，寬度為Δx的左右車道線間距對(duì)應(yīng)的圖像坐標(biāo)系中第v行中的間距寬度Δu為：

(6)

2.2 非均勻B樣條曲線控制點(diǎn)提取2.2.1 非均勻B樣條曲線模型

樣條曲線的數(shù)學(xué)模型由分段式多項(xiàng)式表達(dá)，各子式所對(duì)應(yīng)曲線之間的連接點(diǎn)稱為控制點(diǎn)。當(dāng)采用樣條曲線模型進(jìn)行車道線擬合時(shí)，需通過確定控制點(diǎn)來對(duì)當(dāng)前車道線對(duì)應(yīng)多項(xiàng)式的參數(shù)進(jìn)行估計(jì)，從而求解出曲線模型。B樣條曲線數(shù)學(xué)模型如下[19]。

假設(shè)B樣條曲線S由n+1個(gè)控制點(diǎn)集合{P0,P1,…,Pn}構(gòu)成，則曲線S上的各點(diǎn)滿足：

(7)

式中，Bi,m(o)為基本B樣條函數(shù)，2≤m≤n+1；tmin≤u≤tmax，tj(j=0,…,i+m)為節(jié)點(diǎn)，當(dāng)各節(jié)點(diǎn)tj之間等距時(shí)，稱該B樣條曲線為均勻B樣條曲線，否則為非均勻B樣條曲線。

非均勻B樣條曲線的數(shù)學(xué)模型表達(dá)過程比均勻B樣條曲線復(fù)雜，但前者能夠更準(zhǔn)確地表達(dá)和重構(gòu)各種形狀的車道線曲線且擬合結(jié)果魯棒性更高，因此采用非均勻B樣條曲線模型進(jìn)行車道線擬合。

2.2.2 控制點(diǎn)確定

為了求解NUBS曲線模型參數(shù)，需要首先確定合適的控制點(diǎn)。采用的控制點(diǎn)確定方法為：從車道線邊緣圖像底部開始，以“對(duì)應(yīng)世界坐標(biāo)系中Δy的長(zhǎng)度”在圖像中按成像模型約束設(shè)置掃描線，每條掃描線與左右車道邊緣的交點(diǎn)即為1對(duì)控制點(diǎn)，如圖3所示。該過程的數(shù)學(xué)描述如下：從車道線邊緣圖像底部開始，在vi行設(shè)置水平掃描線Linei(1≤i≤m)，在Linei與左右車道線的交點(diǎn)處得到控制點(diǎn)對(duì)(Li,Ri)，其中Li的坐標(biāo)為(ui,vi)，Ri坐標(biāo)為(u′i,vi)。由于車道線在圖像中整體呈縱向延伸趨勢(shì)，各控制點(diǎn)對(duì)的縱坐標(biāo)依次減小，該趨勢(shì)不受相機(jī)光軸與車道線夾角γ影響，因此為簡(jiǎn)化計(jì)算過程忽略γ的值，根據(jù)成像模型約束定義vi計(jì)算式為：

圖3 控制點(diǎn)確定過程示意圖Fig.3 Schematic diagram of control point determination process

(8)

根據(jù)式(2)，(4)，(5)，再推導(dǎo)出：

(9)

式中v1和Δv1為預(yù)設(shè)值。將式(9)代入式(8)即可依次求出vi的值。由此可求出第i條掃描線Linei所確定的控制點(diǎn)縱坐標(biāo)等于vi。從掃描線中點(diǎn)分別向左右兩邊搜索邊緣點(diǎn)，得到的第1對(duì)掃描線與左右車道線的交點(diǎn)即為控制點(diǎn)，進(jìn)而可得知該控制點(diǎn)對(duì)的橫坐標(biāo)，從而確定其坐標(biāo)(ui,vi)(u′i,vi)。

圖4和圖5所示的不連續(xù)車道線邊緣的控制點(diǎn)確定過程如圖6所示。由于背景干擾導(dǎo)致左車道線邊緣部分缺失或者虛假邊緣，掃描線Line 2與左車道線無交點(diǎn)或存在錯(cuò)誤交點(diǎn)，從而導(dǎo)致控制點(diǎn)定位失敗。為了正確擬合車道線，需要計(jì)算出正確的控制點(diǎn)橫坐標(biāo)。針對(duì)上述問題，在前述控制點(diǎn)確定方法的基礎(chǔ)上，結(jié)合“左右車道線平行”的假設(shè)，求解第i條掃描線Linei所確定的控制點(diǎn)Li和Ri的橫坐標(biāo)ui和u′i。根據(jù)成像模型約束及式(6)推導(dǎo)出Δui+1與Δui的關(guān)系式為：

圖4 因車輛遮擋導(dǎo)致車道線邊緣不連續(xù)的情況Fig.4 Cases of discontinuity of lane marking edge caused by vehicle occlusion

圖5 左車道線為虛線導(dǎo)致車道線邊緣不連續(xù)的情況Fig.5 Cases of discontinuity of lane marking edge caused by left dashed lane marking

(10)

u′i=ui+Δui，

(11)

式中相機(jī)光軸與車道線夾角γ的計(jì)算式為[20]：

(12)

圖6 考慮不連續(xù)或虛假邊緣情況的控制點(diǎn)確定過程示意圖Fig.6 Schematic diagram of control point determination process considering discontinuity or false edge

2.3 車道線擬合

由2.2節(jié)所述控制點(diǎn)確定方法得到了車道線邊緣控制點(diǎn)信息，就可利用NUBS插值方法對(duì)左右車道線進(jìn)行擬合。根據(jù)NUBS插值法可知：若已知m(m≥3)對(duì)控制點(diǎn)，則車道線可用m-1階多項(xiàng)式函數(shù)進(jìn)行擬合；若能夠確定4對(duì)控制點(diǎn)，則可采用三階多項(xiàng)式函數(shù)進(jìn)行NUBS插值從而擬合出車道線；若只確定了3對(duì)控制點(diǎn)，則可采用二階多項(xiàng)式函數(shù)擬合車道線。

圖7為對(duì)一幅車道線圖像進(jìn)行NUBS車道線擬合的結(jié)果。圖7(b)共設(shè)置了5條掃描線，確定出5個(gè)左車道線控制點(diǎn)分別為{(140,21), (120,46), (100,78), (80,117), (57,167)}；4個(gè)右車道線控制點(diǎn)分別為{(172,21), (193,46), (216,78), (245,117)}。然后根據(jù)NUBS插值算法，采用三階多項(xiàng)式函數(shù)進(jìn)行NUBS插值，得到的擬合曲線顯示在圖像坐標(biāo)系中,如圖7(c)所示。

圖7 車道線擬合結(jié)果Fig.7 Result of lane marking fitting

圖8為對(duì)一幅左車道線部分缺失的車道線圖像進(jìn)行NUBS車道線擬合的結(jié)果。圖8(b)共設(shè)置了5條掃描線，確定出3個(gè)左車道線控制點(diǎn)分別為{(15,167), (39,117), (59,78)}；5個(gè)右車道線控制點(diǎn)分別為{(253,167), (213,117), (181,78), (155,46), (134,21)}。根據(jù)式(10)～(12)估算出左車道線缺失的2個(gè)控制點(diǎn)坐標(biāo)分別為(75,46)，(88,21)。然后根據(jù)NUBS插值算法，采用四階多項(xiàng)式函數(shù)進(jìn)行NUBS插值，得到的擬合曲線顯示在圖像坐標(biāo)系中如圖8(c)所示。由于該圖中左右車道線近似直線,因此控制曲線與擬合曲線高度重合。

圖8 左車道線邊緣部分缺失情況下的車道線擬合結(jié)果Fig.8 Lane marking fitting result in the case of part of left lane marking edge is missed

3 試驗(yàn)結(jié)果及分析

驗(yàn)證算法性能所采用的圖像數(shù)據(jù)庫由卡內(nèi)基梅隆圖像數(shù)據(jù)庫中的車道線標(biāo)準(zhǔn)圖像庫(以下簡(jiǎn)稱CMU，共160幀，圖像大小240×256)及長(zhǎng)安大學(xué)“信達(dá)號(hào)”智能車采集的車道線圖像樣本集(以下簡(jiǎn)稱CAU，共525幀，圖像大小204×745)構(gòu)成，其中包含受樹蔭干擾、路側(cè)設(shè)施陰影干擾、障礙車輛遮擋的車道線及虛車道線等情況。根據(jù)車道線受干擾程度不同，將圖像庫分為I，II，III，IV共4個(gè)等級(jí)，等級(jí)越高車道線受干擾越嚴(yán)重，劃分結(jié)果見表1。試驗(yàn)參數(shù)設(shè)置：掃描線數(shù)量為5，即i∈(1,5)，v1=0，Δv1=20。根據(jù)不同圖像庫中圖像大小，可手動(dòng)預(yù)設(shè)掃描線數(shù)量和Δv1的值，并根據(jù)式(8)～(9)計(jì)算得到各掃描線位置。不同的參數(shù)設(shè)置決定掃描線的數(shù)量和位置，掃描線數(shù)量越多，車道線擬合結(jié)果越逼近真實(shí)車道，但帶來的計(jì)算量也越大。算法程序基于MATLAB R2017a開發(fā)，運(yùn)行環(huán)境為：操作系統(tǒng)Windows 10，CPU Intel (R) i7，主頻2.8 GHz，內(nèi)存8 GB。

表1 根據(jù)受干擾程度得到的圖像數(shù)據(jù)庫劃分結(jié)果(單位：frame)Tab.1 Image database division result based on degree of interferences (unit: frame)

采用本研究算法對(duì)I，II，III，IV共4種干擾等級(jí)的圖像進(jìn)行車道線檢測(cè)的部分結(jié)果見圖9。圖9(a)為圖像無干擾(I類圖像)情況下的車道線檢測(cè)結(jié)果，圖9(b)為左右車道線被障礙車輛遮擋(II類圖像)情況下的車道線檢測(cè)結(jié)果，圖9(c)為存在轉(zhuǎn)向標(biāo)志干擾(III類圖像)情況下的車道線檢測(cè)結(jié)果，圖9(d)～(e)為左右車道線被大量樹蔭遮擋(IV類圖像)情況下的車道線檢測(cè)結(jié)果。從試驗(yàn)結(jié)果的直觀展示可看出，本研究算法的檢測(cè)結(jié)果對(duì)不同等級(jí)的干擾具有較高的魯棒性。然而如圖9(e)所示，由于陰影邊緣干擾導(dǎo)致掃描線Line 3左右控制點(diǎn)定位失敗，Line 5左控制點(diǎn)定位失敗，右控制點(diǎn)定位錯(cuò)誤。采用本研究算法定位出4個(gè)左車道線控制點(diǎn)和3個(gè)右車道線控制點(diǎn)，且定位誤差較大導(dǎo)致擬合效果不佳。

圖9 部分典型圖像的車道線檢測(cè)結(jié)果Fig.9 Lane marking detection result based on some typical images

為進(jìn)一步全面驗(yàn)證論文算法的性能，將本研究算法與其他2種相關(guān)性較大的算法在檢測(cè)率、檢測(cè)精度和實(shí)時(shí)性進(jìn)行對(duì)比。算法1僅基于第2節(jié)所述邊緣檢測(cè)算法進(jìn)行車道線檢測(cè)；算法2在第2節(jié)所述邊緣檢測(cè)算法基礎(chǔ)上采用傳統(tǒng)NUBS算法進(jìn)行車道線檢測(cè)；算法3即為本研究算法，即在第2節(jié)所述邊緣檢測(cè)算法基礎(chǔ)上，采用成像模型約束的NUBS改進(jìn)算法進(jìn)行車道線檢測(cè)。表2為3種算法的性能指標(biāo)對(duì)比結(jié)果，其中檢測(cè)率定義為實(shí)際定位到的控制點(diǎn)數(shù)量與應(yīng)定位到的控制點(diǎn)數(shù)量之比：

(13)

式中k∈{1,…,K}，K為I，II，III，IV 4種干擾等級(jí)的圖像總幀數(shù)；Mk為第k幀圖像中實(shí)際定位到的控制點(diǎn)數(shù)；Nk為第k幀圖像中應(yīng)該定位到的控制點(diǎn)數(shù)。

檢測(cè)精度為正確定位的控制點(diǎn)數(shù)量與實(shí)際定位到的控制點(diǎn)數(shù)量之比：

(14)

式中Qk為第k幀圖像中正確定位到的控制點(diǎn)數(shù)。

本研究算法中認(rèn)為定位誤差在±5個(gè)像素位移的控制點(diǎn)是正確定位的?？紤]到實(shí)時(shí)性受圖像尺寸的影響較大，表3中對(duì)以上種算法處理4種干擾等級(jí)的圖像時(shí)的運(yùn)算時(shí)間分別進(jìn)行了統(tǒng)計(jì)對(duì)比。通過分析表2和表3可以得到如下結(jié)論：

表2 算法1，2和3的檢測(cè)率和檢測(cè)精度結(jié)果對(duì)比(單位：%)Tab.2 Comparison of detection rates and detection accuracies among algorithm 1, algorithm 2 and algorithm 3 (unit: %)

表3 算法1，2和3時(shí)間成本對(duì)比結(jié)果Tab.3 Comparison of time costs among algorithm 1, algorithm 2 and algorithm 3

(1)算法3的檢測(cè)率最高。這是由于一些采用算法1和2可能定位失敗的控制點(diǎn)，通過算法3中式(10)～(12)可以估算進(jìn)而成功定位。算法1和2的檢測(cè)率相等，這是因?yàn)?種算法的控制點(diǎn)定位均完全依賴于章節(jié)2所述的邊緣檢測(cè)算法，導(dǎo)致一些控制點(diǎn)因干擾而定位失敗。

(2)檢測(cè)精度隨著圖像干擾等級(jí)的升高而降低，而算法3與算法1和2相比檢測(cè)精度最高。

(3)算法3的實(shí)時(shí)性最低。這是由于算法3包含的數(shù)學(xué)運(yùn)算最多，但該實(shí)時(shí)性可以通過算法編寫優(yōu)化和硬件升級(jí)實(shí)現(xiàn)大幅度提升從而滿足實(shí)時(shí)性應(yīng)用需求。

(4)3種算法處理CAU圖像庫的時(shí)間成本均高于處理CMU圖像庫的時(shí)間成本，這是由于CAU圖像庫中的圖像尺寸較大。對(duì)同一種算法而言(如算法3)，處理干擾等級(jí)III和IV圖像所需的時(shí)間略低于處理干擾等級(jí)I和II的圖像所需的時(shí)間。這是由于隨著干擾等級(jí)的增加，實(shí)際定位到的控制點(diǎn)數(shù)量呈減少趨勢(shì)，計(jì)算量減少從而運(yùn)算時(shí)間減少。

4 結(jié)論

非均勻B樣條曲線因可精確擬合任意形狀的曲線而在車道線檢測(cè)中得到了廣泛應(yīng)用。影響樣條曲線模型擬合車道線準(zhǔn)確性的關(guān)鍵因素是控制點(diǎn)的確定。然而車輛遮擋、樹蔭、建筑物陰影、路面破損等干擾為控制點(diǎn)的提取增加了不少難度，從而影響車道線擬合的準(zhǔn)確性甚至導(dǎo)致擬合失敗。本研究在“相機(jī)光軸與道路平面平行”及“左右車道線平行”的假設(shè)基礎(chǔ)上，提出一種成像模型約束下的非均勻B樣條曲線擬合車道線檢測(cè)方法。通過對(duì)I，II，III，IV 4種受干擾等級(jí)的圖像進(jìn)行車道線檢測(cè)，對(duì)檢測(cè)結(jié)果進(jìn)行檢測(cè)率、檢測(cè)精度和實(shí)時(shí)性3個(gè)指標(biāo)計(jì)算及同其他2種相關(guān)算法的對(duì)比驗(yàn)證了本算法的綜合性能。試驗(yàn)結(jié)果分析表明，本算法能夠顯著提高B樣條曲線控制點(diǎn)檢測(cè)率和檢測(cè)精度，從而提高算法的檢測(cè)成功率和對(duì)干擾的魯棒性。由于算法基于上述2個(gè)假設(shè)提出，該算法不適用于車道線急轉(zhuǎn)彎、路面明顯起伏和橫向車道線等使得假設(shè)不成立的情況。因此本算法的適用場(chǎng)景主要為無急轉(zhuǎn)彎、坡道、交叉路口的普通高速公路和城市環(huán)線等。后續(xù)研究工作包括：(1)優(yōu)化算法提高運(yùn)行效率；(2)算法在長(zhǎng)安大學(xué)“信達(dá)號(hào)”無人車感知處理模塊的集成；(3)增加多特征融合機(jī)制以提高算法在不同天氣條件下車道線檢測(cè)的魯棒性。