基于视觉的车道线检测技术综述

摘 要：车道线检测是完全无人驾驶的关键推动因素。本文综述了近年来基于视觉的车道线检测技术的研究进展。车道线检测通常采用三个步骤进行处理，首先图像预处理得到感兴趣区域，然后预测车道线标记高频出现的区域，最后在该区域进行车道模型拟合。在这项工作中，我们对每个步骤的实现方法进行了详细分析，并展望了车道线检测技术的发展。得益于深度学习技术的进步，车道线检测技术取得了长足的发展，但同时带来了大规模数据集的需求和网络模型的不可解释性，未来的车道线检测技术挑战与机遇并存。

关键词：车道线检测;计算机视觉;深度学习;目标检测分割

1 前言

完全自动驾驶是计算机视觉和机器人学研究的主要焦点，其第一个关键步骤是通过各种传感器全面识别和理解车辆周围的环境。车道线检测能够使车辆正确地定位在车道内，遵守车道规定的交通规则，并辅助随后的车道偏离或轨迹规划决策[1]。因此，实时执行精确车道线检测是实现完全自动驾驶的关键推动因素。基于视觉的成像在车道线检测任务中起主导作用，其原因有二：首先，车道线的设计使人类驾驶员能够在所有驾驶条件下观察到它们，使用视觉作为计算等效系统获得相同的视觉提示非常有意义[2];其次，视觉是目前自动驾驶中价格最低、鲁棒性较好的模态，视觉模态可以用于环境理解的所有相关阶段[3]。因此，我们将主要讨论基于视觉的车道线检测技术。

基于视觉的车道线检测技术已经广泛应用在辅助驾驶系统，通过提前预警的方式提醒人类驾驶员即将到来的危险[4]。但是其在车道属性上使用许多假设，例如路面平坦、天气晴朗、能见度变化平稳等[5]。由于上述假设，现有的车道线检测技术的鲁棒性低，容易受到以下影响：车道线的复杂性、受污损程度以及磨损程度;道路上来往车辆对于车道线的遮挡程度;沿途建筑物、树木、高架桥、过街天桥等道路阴影的影响;夜晚光照的变化;车辆光照条件的突然变化等[2，6]。迄今为止，车道线检测技术在上述环境中准确率和召回率会严重下降，与普通人类驾驶员相比缺乏自适应能力。

本文将车道线检测技术分解为图像预处理、特征检测、车道模型拟合等三个模块，并列举建议实施每个模块的可能方法。功能模块分解如图1所示。

在后续的第1、2、3章节分别介绍了上述三个模块的研究现状，并在第4章节进行了验证评估，第5章节对本文进行了总结。

2 图像预处理

这个模块的目标是消除杂乱、误导性的伪成像和不相关的图像部分。图像预处理方法可以归纳为三类：光照效果处理、感兴趣区域（Region Of Interest，ROI）检测以及路面与图像之间的映射。

2.1 光照效果处理

光照自适应性和镜头光晕是影响车道线检测的关键要素。鲁棒的车道线检测系统可以应对不同的光照条件并排除镜头光晕的影响。[7，8]使用了多曝光增強动态范围技术改善光照适应性，[9，10]使用颜色空间转换和边缘滤除获得光照鲁棒图像。[7]在不同的相机曝光设置下多次捕捉目标场景，然后将得到的一组图像组合创建高动态范围图像。[8]提出在多曝光图像生成过程中涉及的相机灵敏度、曝光时间以及图像噪声、运动模糊等问题。[9]使用HSL、LAB等颜色空间转换，通过组合不同的颜色通道减少投射阴影效果。[10]首先使用两个不同的颜色空间减少干扰，然后将方向梯度用于检测车道线边缘，从而检测不同复杂度下的车道线。

2.2 感兴趣区域检测

通过ROI检测可以删除与车道线检测任务不相关或误导性信息。[11]直接将图像的下半部分作为ROI。[12-14]使用不同的逆透视技术估算路面和图像之间的映射，并将此映射作为ROI定义规则。[12，13]根据计算的深度对图像进行截断，自适应地确定了ROI的上边界。[14]在将计算出的地平线用于ROI检测。

2.3 路面与图像之间的映射

该映射贯穿于车道线检测任务的所有阶段，可以通过不同的方法计算。[14]假设相机与车辆的连接在行驶过程中保持不变，计算了出了固定的映射矩阵。但是这一假设在路面坡度突然变化、车辆变道和并线的情况下存在失效问题。[15，16]估计了相机相对于地平面的间距。[15]通过检测道路的消失点对应的图像灭点的高度计算相机的俯仰角。[16]建立相机三维模型参数矢量，通过计算该矢量与车道线边界的位置和方向估计俯仰角与其余模型参数。

3 特征检测

本章节主要包括图像ROI的特征检测以及上述映射在特征检测中的应用。车道边界通常由不同类型的车道线组成，[17，18]详细阐述了车道线的外观变化。除了外观形状颜色多样之外，车道线在图像中占比低，形状窄长，这些特点均增加了特征检测的难度。同时，需要考虑图像预处理模块不能滤除的车辆靠近产生的严重遮挡和附近树木和建筑物的阴影产生的误导性边缘和纹理。上述条件的合理覆盖对特征检测模块的鲁棒性提出了较高的要求。

3.1 传统特征检测方法

传统的车道线检测方法依赖于高度专业化、手工制作的特征来检测车道线[19]。这些特征选择包括基于颜色的特征[20]、条形滤波器[21]、脊线特征[16，22]，这些方法可以归纳为基于梯度的特征及其变体。[16，21-23]假设车道线具备窄长、高亮的特征，沿着图像行搜索低-高-低强度图案。[21，23]使用了条形滤波器，[16，22]进一步使用了脊线特征。由于车道线在图像中占比低，在图像处理过程中易滤除车道线区域。[24]将图像分割为8×8的像素块，并将像素块分类为车道线或背景，提高了特征的可靠性。上述基于梯度的车道线边缘检测方法均使用了图像滤波技术，我们需要确定卷积核的尺寸。又由于透视失真，单个尺寸的卷积核不适用于整幅图像。[25]根据预估的车道线宽度和预测的图像行的深度，为每个图像行调整内核的尺寸。另一种更加常用的技术[15，26]通过逆透视变换使图中车道线的宽度恒定，避免卷积核尺寸的变化。

推荐访问： 车道 综述 检测技术 视觉

---