车道偏离预警系统中车道检测与跟踪的研究综述

近年来，由于传感器技术和计算机技术的快速发展，半自动和自动驾驶汽车得到了广泛关注。其中安全性好的车道偏离预警系统引起了驾驶辅助研究领域的高度重视。车道偏离预警系统（LDWS）在预防事故方面起着不可替代的关键作用。当车辆就要离开它们的车道行驶时，车道偏离预警系统（LDWS）能够对疲劳、分心或注意力不集中的司机发出警告，以避免事故的发生。随着车道偏离预警系统在越来越多的车辆上安装，其技术的研发与改进受到全球学者的关注。在车道偏离预警系统中最重要的技术莫过于车道检测与跟踪技术，而这两项技术也是目前全球学者面临的挑战。下面着重介绍几种最新的车道检测与跟踪技术。

1 基于模糊系统和线段检测器的车道检测方法[1]

1.1 主要目的

除了交通标志识别之外，道路车道检测也是用于实现半自动和完全自动驾驶系统的车道偏离预警系统中最重要的因素之一。与交通标志不同，道路车道很容易被道路质量、交通堵塞（路况）、气候条件和照明条件（树木或建筑物等物体的阴影）等内外因素所影响。因此，获得清晰的车道标记进行识别处理是当前较为困难的挑战。鉴于此，本文提出了一种利用模糊系统和线段检测器算法来克服各种照明问题，尤其是严重阴影的方法，从而使可见光相机传感器获得更好的车道检测结果。

1.2 主要原理及结论

本文所提出的方法首先采用两个特征作为FIS系统的输入，即基于局部背景区域的HSV色差和基于全局背景区域的灰度差来评估道路图像的ROI中阴影的水平。然后根据去模糊化处理估计阴影的级别。然后利用基于两个特征和最大熵准则的训练数据对模糊系统的输入隶属函数进行建模，以提高FIS系统的准确性。所建立的系统可以根据FIS系统的输出自适应地改变LSD和Canny线检测器算法的参数，以实现更精确的线检测。通过仿真实验可看出，所提出的方法优于传统的车道检测方法。而且由于该方法没有使用连续图像帧中的跟踪信息，所以对车道的检测不受车速的影响。但是，复杂的车流量会影响该系统在检测消失点和线时的性能分段，进而影响阴影级别确定。为此，未来的研究工作将收集数据库，包括复杂交通情况的案例，并衡量这些案例对该系统效率的影响。另外，本文计划通过基于深度学习的车道检测来解决这个限制。而且还可以在各种照明条件下使用深层神经网络来区分虚线和实线车道标记，以及检测直线和曲线车道。

2 基于简单的滤波器和卡尔曼滤波的车道实时检测和跟踪系统[2]

2.1 主要目的

目前由于成本问题，只有豪华轿车才配备了基于车道检测模块的车道保持辅助系统。鉴于此，作者研究提出了一个用于车道实时检测和跟踪的控制算法，由该算法开发的车道偏离预警系统（LDWS）仅仅需要使用一个简单的滤波器和一个卡尔曼滤波器安装在嵌入式系统就可以实现。

2.2 主要原理及结论

本文所研发的车道偏离预警系统通过IMX6Q主板来实现，进而可以安装在一辆测试车上，驾驶测试车行驶了大约1000公里以获得所需实验结果。该系统使用横向偏移比来检测是否存在车道偏离。通过计算横向偏移比的车道整体宽度和占用车道宽度分别确定为3.5米和1.8米。如果判断正在驶出车道，则通过车辆区域网（CAN）通信读取车辆的转向信号，如果转向信号未打开，则系统判定驾驶员是无疑进行车道偏离的，则将信号传递给蜂鸣器使其发出警告。通过对实验结果分析得知，所研发的车道偏离预警系统在白天检测率为97%，夜间检测率为95%。而该系统的平均处理时间约为每秒15帧。

本文还对所提出的车道实时检测和跟踪算法进行了相关测试，已验证该系统是否能够在驾驶员离开车道时提供正确的警告。测试结果表明，除了虚线的情况外，该系统的操作精确率达到了98%以上。由于所提出的车道检测算法由简单的算法组成，因此可以认为是一种可以安装在低成本车辆上的车道偏离预警系统，推动了智能辅助驾驶技术的发展。

3 基于评分机制的车道偏离预警跟踪系统[3]

3.1 主要目的

车道偏离预警系统中的IPM模块构建了车辆前方的鸟瞰图，并利用边缘检测技术提取物体的边缘。不相关的边缘必须通过将灰度转换为二进制图像来消除。检测机制检测出最适合的垂直线作为车道线边界。不幸的是，周围的车辆环境以及道路结构等影响该系统的性能。因此，本文提出了一种不使用卡尔曼滤波的车道偏离预警系统中的车道线跟踪算法。该算法能够从所有检测到的视频帧信息（包括帧中的噪声）中提取出真实车道线边界，并由此估计其未来位置。

3.2 主要原理及结论

所提出的新算法使用评分机制，从已经检测到的视频帧行数和每行状态的得分变量来跟踪先前帧中的信息。其中横向偏移是根据以前视频帧中车道边界位置的信息推算出来的。此外，该算法引入了滞后环，改变了车道线位置的预测帧数，对于实现平滑且稳定的跟踪过程有着重要的影响。

本文通过现场测试所得出的结果表明，所提出的跟踪算法可以提供了精确的车道边界估计以及优秀的检测正确车道的能力。假定车道偏离预警系统未能检测到当前视频帧中的车道线，可以通过所计算出的车道线位置的横向偏移增强车道线边界的预测精度。而且所引入的磁滞回线验证了该算法具有稳定车道边界估计和很好的检测效率。此外，本文还对该系统在各种道路结构和条件下对于消除道路中不希望的噪音方面的快速反应进行了实验验证。

4 基于图像处理算法的新型车道偏离检测技术[4]

4.1 主要目的及原理

诸如GPS和摄像机这样的视频传感器的开发促进了汽车行业的创新和道路安全的发展，并在此基础上推动了驾驶辅助系统的研究。这些使用视频传感器的驾驶辅助系统可以通过图像处理技术来检测出即将发生的危险并通知驾驶员。而基于使用图像处理算法的车道偏离预警系统能够在输入的视频帧中定位车道标志线，跟踪这些线路，同时计算出线路交叉时间（TLC），当TLC在阈值之下时，该系统发出警告。该系统的主要功能是利用人工视觉来检测车道边界线。本文提出了一种基于特征的车道边界线检测方法。通过使用水平差分滤波器来简化车道边缘检测的过程。将检测到的边缘点用改进的霍夫变换进行分组成行。

4.2 存在问题及未来方向

本文所提出的基于图像处理技术来检测车道边界线的方法具有良好的性能。但如果要适应恶劣的天气条件（如雨雪）和光线不好的条件（如夜间），该方法还需要改进。在今后的研究工作中，计划使用TLC来计算收集到的视频信息，并通过改进确保车道偏离预警系统在不使用卡尔曼滤波器的情况下的跟踪模型具有很好的鲁棒性。此外，希望可以将该方法并在嵌入式处理器中实现LDW系统功能。

5 基于视频运动分析和模糊逻辑的车道偏离检测技术[5]

5.1 主要目的及原理

本文提出通过比较车辆轨迹和道路车道标记的语言表示来检测车道偏离情况的方法。该方法所使用的所有信息都是通过一台摄像机获得的。从录制的视频中提取符合H.264标准的运动矢量值构成语言元素。而语言元素之间比较的实现可以通过检测在车辆位移和道路形状之间没有逻辑对应的连续帧的子集。由于视频是从移动的车辆捕获的，因此，本文还提出了使用基于统计过程的适应于不断变化的场景的域变化模糊集来提高可靠性的方法。本文还使用具有不同特性的交通视频进行一组实验来验证这种方法。

本文所提出了的新技术采用视频序列语言学来表示作为输入数据的H.264/AVC运动矢量值的道路形状信息。模糊逻辑的使用需要来自多个视频帧信息的同时处理，并使用语言变量来表示车辆位移和道路形状。而对不断变化的视频进行处理的挑战需要在每个帧中生成模糊集合，并考虑相邻帧中的运动矢量值。通过对选定的视频进行仿真试验，该方法能够得到可接受的结果。

5.2 未来方向

在未来的研究工作中，应该建立相应机制来更详细地分析所获得的每一个差异作为对比过程的输出。而且，诸如车辆持续时间或车辆位移的差异程度和道路形状的分化程度是未来的发展使用模糊推理技术的难点。此外，还应当建立考虑对问题处理速度和其他影响因素的模型，以建立起与时间的关系。

6 基于Otsu阈值法和Hough变换的车道偏离警告系统[6]

6.1 主要目的及原理

本文介绍了基于实时单目视觉的车道偏离预警系统的实现过程。为了确保该系统在实际情况应用可靠，因此本文所介绍的系统是实时的。其中，该系统采用Otsu阈值法和Hough变换用于处理照明问题，从而提取车道边界并监视车辆相对于车道的位置，以及在车辆即将离开车道时提供警告。消失点的检测在车道检测中也起着重要作用，本文通过提取相关区域信息来降低计算复杂度。本文所提出的算法在各种照明条件下都能可靠地工作。

本文所提出的基于Otsu阈值法和Hough变换的车道偏离预警系统，解决了两个驾驶环境的问题，即车道边界和照明条件。该系统数据库中属于时间序列的视频帧记录了在不同照明条件下不同车道边界的几何形状。传统的车道偏离预警系统只提供了预定义的车道、照明条件和天气有效的性能。因此，它们并不适用于真实的驾驶环境，如恶劣的天气或不同的道路几何形状。为了克服上述限制，本文提出一种预处理步骤应用于图像的平滑和梯度检测。首先，将图像经过RGB灰度转换，然后应用高斯滤波器得出平滑的图像梯度。最后，在平滑图像上选择Sobel算子进行边缘检测。

6.2 存在问题及未来方向

尽管本文所提出的系统能够在在很多不同的条件下进行正常工作，但是仍然有一些问题需要解决，特别是模糊车道标记的识别问题。因此，在未来的研究工作中，将结合更多的道路模型来提高该系统的鲁棒性。

[1]HOANGT M,BAEK N R,CHOSW,et al.Road Lane Detection Robust to Shadows Based on a Fuzzy System Using a Visible Light Camera Sensor[J].Sensors,2017,17(11)：2475.

[2]LEE D,SHIN J,JUNG J,et al.Real-Time Lane Detection and Tracking System Using Simple Filter and Kalman Filter：2017 Ninth International Conference on Ubiquitous and Future Networks(ICUFN),2017[C].

[3]LOTFY OG,KASSEM A A,NASSIEF E M,et al.Lane Departure Warning Tracking System Based on Score Mechanism：2016 IEEE 59th International Midwest Symposium on Circuitsand Systems(MWSCAS),2016[C].

[4]BAILI J,MARZOUGUI M,SBOUI A,et al.Lane Departure Detection Using Image Processing Techniques：2017 2nd International Conference on Anti-Cyber Crimes(ICACC),2017[C].

[5]GIRALT J,MORENO-GARCIA J,JIMENEZ-LINARESL,et al.A Road Departure Warning System Based on Video Motion Analysis and Fuzzy Logic[J].International Journal of Intelligent Systems,2017,32(8)：830-842.

[6]KORTLI Y,MARZOUGUI M,BOUALLEGUE B,et al.A Novel Illumination-Invariant Lane Detection System：2017 2nd International Conference on Anti-Cyber Crimes(ICACC),2017[C].