復(fù)雜情況下智能車輛的車道檢測(cè)

復(fù)雜情況下智能車輛的車道檢測(cè)

提出了一種基于雙曲線的新對(duì)稱局部閾值的車道分離方法。利用隨機(jī)采樣一致性技術(shù)（RANSAC）對(duì)車道分布和雙曲線配對(duì)的優(yōu)化模型擬合。此系統(tǒng)計(jì)算了城市道路和鄉(xiāng)村道路的幾何結(jié)構(gòu)、車輛位置和方向。其計(jì)算方法不同于傳統(tǒng)的霍夫變換和片段匹配，車道線區(qū)域的檢測(cè)是以候選車道線的分布方式為主要線索并且不使用任何訓(xùn)練階段或模板來使其與現(xiàn)有模型匹配。針對(duì)所提出的方法進(jìn)行了驗(yàn)證。

照相機(jī)作為傳感器輸出圖像，首先針對(duì)每幀圖像進(jìn)行處理，分離出道路或車道線的候選像素點(diǎn)，將其定義為道路特征分離。道路特征分離同對(duì)稱局部閾值分割相似，確定一個(gè)窗口中的大于平均灰度值的像素點(diǎn)作為候選車道像素點(diǎn)。之后在誤差允許的范圍內(nèi)，使用RANSAC選擇可以擬合成線性模型的候選像素點(diǎn)作為道路或車道線邊緣像素點(diǎn)。通過估計(jì)圖像坐標(biāo)的左右側(cè)區(qū)域分離左車道線和右車道線。為了估計(jì)道路和車輛的參數(shù)，針對(duì)車道線像素建立平行雙曲線配對(duì)模型，此模型參數(shù)由道路、車輛和相機(jī)參數(shù)共同確定。提出的算法成功檢測(cè)了道路邊界，包括有陰影遮擋和車道線不完整的情況，即使在道路左側(cè)沒有標(biāo)志線的情況下，系統(tǒng)仍然能夠進(jìn)行雙曲線配對(duì)并檢測(cè)出道路邊界，但此模型不適用于大曲率道路。左右車道線的車道線分割對(duì)曲線估計(jì)影響很大，可以利用前幾幀圖像中車道線的位置預(yù)估下一幀車道線位置，提高模型精度。

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

編譯：任貝