复杂情况下智能车辆的车道检测

复杂情况下智能车辆的车道检测

提出了一种基于双曲线的新对称局部阈值的车道分离方法。利用随机采样一致性技术（RANSAC）对车道分布和双曲线配对的优化模型拟合。此系统计算了城市道路和乡村道路的几何结构、车辆位置和方向。其计算方法不同于传统的霍夫变换和片段匹配，车道线区域的检测是以候选车道线的分布方式为主要线索并且不使用任何训练阶段或模板来使其与现有模型匹配。针对所提出的方法进行了验证。

照相机作为传感器输出图像，首先针对每帧图像进行处理，分离出道路或车道线的候选像素点，将其定义为道路特征分离。道路特征分离同对称局部阈值分割相似，确定一个窗口中的大于平均灰度值的像素点作为候选车道像素点。之后在误差允许的范围内，使用RANSAC选择可以拟合成线性模型的候选像素点作为道路或车道线边缘像素点。通过估计图像坐标的左右侧区域分离左车道线和右车道线。为了估计道路和车辆的参数，针对车道线像素建立平行双曲线配对模型，此模型参数由道路、车辆和相机参数共同确定。提出的算法成功检测了道路边界，包括有阴影遮挡和车道线不完整的情况，即使在道路左侧没有标志线的情况下，系统仍然能够进行双曲线配对并检测出道路边界，但此模型不适用于大曲率道路。左右车道线的车道线分割对曲线估计影响很大，可以利用前几帧图像中车道线的位置预估下一帧车道线位置，提高模型精度。

Yasemin Timar et al.2010 Second International Conference on Computational Intelligence,Communication Systems and Networks.

编译：任贝