車道偏離預(yù)警系統(tǒng)中車道檢測(cè)與跟蹤的研究綜述

近年來(lái)，由于傳感器技術(shù)和計(jì)算機(jī)技術(shù)的快速發(fā)展，半自動(dòng)和自動(dòng)駕駛汽車得到了廣泛關(guān)注。其中安全性好的車道偏離預(yù)警系統(tǒng)引起了駕駛輔助研究領(lǐng)域的高度重視。車道偏離預(yù)警系統(tǒng)（LDWS）在預(yù)防事故方面起著不可替代的關(guān)鍵作用。當(dāng)車輛就要離開(kāi)它們的車道行駛時(shí)，車道偏離預(yù)警系統(tǒng)（LDWS）能夠?qū)ζ?、分心或注意力不集中的司機(jī)發(fā)出警告，以避免事故的發(fā)生。隨著車道偏離預(yù)警系統(tǒng)在越來(lái)越多的車輛上安裝，其技術(shù)的研發(fā)與改進(jìn)受到全球?qū)W者的關(guān)注。在車道偏離預(yù)警系統(tǒng)中最重要的技術(shù)莫過(guò)于車道檢測(cè)與跟蹤技術(shù)，而這兩項(xiàng)技術(shù)也是目前全球?qū)W者面臨的挑戰(zhàn)。下面著重介紹幾種最新的車道檢測(cè)與跟蹤技術(shù)。

1 基于模糊系統(tǒng)和線段檢測(cè)器的車道檢測(cè)方法[1]

1.1 主要目的

除了交通標(biāo)志識(shí)別之外，道路車道檢測(cè)也是用于實(shí)現(xiàn)半自動(dòng)和完全自動(dòng)駕駛系統(tǒng)的車道偏離預(yù)警系統(tǒng)中最重要的因素之一。與交通標(biāo)志不同，道路車道很容易被道路質(zhì)量、交通堵塞（路況）、氣候條件和照明條件（樹(shù)木或建筑物等物體的陰影）等內(nèi)外因素所影響。因此，獲得清晰的車道標(biāo)記進(jìn)行識(shí)別處理是當(dāng)前較為困難的挑戰(zhàn)。鑒于此，本文提出了一種利用模糊系統(tǒng)和線段檢測(cè)器算法來(lái)克服各種照明問(wèn)題，尤其是嚴(yán)重陰影的方法，從而使可見(jiàn)光相機(jī)傳感器獲得更好的車道檢測(cè)結(jié)果。

1.2 主要原理及結(jié)論

本文所提出的方法首先采用兩個(gè)特征作為FIS系統(tǒng)的輸入，即基于局部背景區(qū)域的HSV色差和基于全局背景區(qū)域的灰度差來(lái)評(píng)估道路圖像的ROI中陰影的水平。然后根據(jù)去模糊化處理估計(jì)陰影的級(jí)別。然后利用基于兩個(gè)特征和最大熵準(zhǔn)則的訓(xùn)練數(shù)據(jù)對(duì)模糊系統(tǒng)的輸入隸屬函數(shù)進(jìn)行建模，以提高FIS系統(tǒng)的準(zhǔn)確性。所建立的系統(tǒng)可以根據(jù)FIS系統(tǒng)的輸出自適應(yīng)地改變LSD和Canny線檢測(cè)器算法的參數(shù)，以實(shí)現(xiàn)更精確的線檢測(cè)。通過(guò)仿真實(shí)驗(yàn)可看出，所提出的方法優(yōu)于傳統(tǒng)的車道檢測(cè)方法。而且由于該方法沒(méi)有使用連續(xù)圖像幀中的跟蹤信息，所以對(duì)車道的檢測(cè)不受車速的影響。但是，復(fù)雜的車流量會(huì)影響該系統(tǒng)在檢測(cè)消失點(diǎn)和線時(shí)的性能分段，進(jìn)而影響陰影級(jí)別確定。為此，未來(lái)的研究工作將收集數(shù)據(jù)庫(kù)，包括復(fù)雜交通情況的案例，并衡量這些案例對(duì)該系統(tǒng)效率的影響。另外，本文計(jì)劃通過(guò)基于深度學(xué)習(xí)的車道檢測(cè)來(lái)解決這個(gè)限制。而且還可以在各種照明條件下使用深層神經(jīng)網(wǎng)絡(luò)來(lái)區(qū)分虛線和實(shí)線車道標(biāo)記，以及檢測(cè)直線和曲線車道。

2 基于簡(jiǎn)單的濾波器和卡爾曼濾波的車道實(shí)時(shí)檢測(cè)和跟蹤系統(tǒng)[2]

2.1 主要目的

目前由于成本問(wèn)題，只有豪華轎車才配備了基于車道檢測(cè)模塊的車道保持輔助系統(tǒng)。鑒于此，作者研究提出了一個(gè)用于車道實(shí)時(shí)檢測(cè)和跟蹤的控制算法，由該算法開(kāi)發(fā)的車道偏離預(yù)警系統(tǒng)（LDWS）僅僅需要使用一個(gè)簡(jiǎn)單的濾波器和一個(gè)卡爾曼濾波器安裝在嵌入式系統(tǒng)就可以實(shí)現(xiàn)。

2.2 主要原理及結(jié)論

本文所研發(fā)的車道偏離預(yù)警系統(tǒng)通過(guò)IMX6Q主板來(lái)實(shí)現(xiàn)，進(jìn)而可以安裝在一輛測(cè)試車上，駕駛測(cè)試車行駛了大約1000公里以獲得所需實(shí)驗(yàn)結(jié)果。該系統(tǒng)使用橫向偏移比來(lái)檢測(cè)是否存在車道偏離。通過(guò)計(jì)算橫向偏移比的車道整體寬度和占用車道寬度分別確定為3.5米和1.8米。如果判斷正在駛出車道，則通過(guò)車輛區(qū)域網(wǎng)（CAN）通信讀取車輛的轉(zhuǎn)向信號(hào)，如果轉(zhuǎn)向信號(hào)未打開(kāi)，則系統(tǒng)判定駕駛員是無(wú)疑進(jìn)行車道偏離的，則將信號(hào)傳遞給蜂鳴器使其發(fā)出警告。通過(guò)對(duì)實(shí)驗(yàn)結(jié)果分析得知，所研發(fā)的車道偏離預(yù)警系統(tǒng)在白天檢測(cè)率為97%，夜間檢測(cè)率為95%。而該系統(tǒng)的平均處理時(shí)間約為每秒15幀。

本文還對(duì)所提出的車道實(shí)時(shí)檢測(cè)和跟蹤算法進(jìn)行了相關(guān)測(cè)試，已驗(yàn)證該系統(tǒng)是否能夠在駕駛員離開(kāi)車道時(shí)提供正確的警告。測(cè)試結(jié)果表明，除了虛線的情況外，該系統(tǒng)的操作精確率達(dá)到了98%以上。由于所提出的車道檢測(cè)算法由簡(jiǎn)單的算法組成，因此可以認(rèn)為是一種可以安裝在低成本車輛上的車道偏離預(yù)警系統(tǒng)，推動(dòng)了智能輔助駕駛技術(shù)的發(fā)展。

3 基于評(píng)分機(jī)制的車道偏離預(yù)警跟蹤系統(tǒng)[3]

3.1 主要目的

車道偏離預(yù)警系統(tǒng)中的IPM模塊構(gòu)建了車輛前方的鳥(niǎo)瞰圖，并利用邊緣檢測(cè)技術(shù)提取物體的邊緣。不相關(guān)的邊緣必須通過(guò)將灰度轉(zhuǎn)換為二進(jìn)制圖像來(lái)消除。檢測(cè)機(jī)制檢測(cè)出最適合的垂直線作為車道線邊界。不幸的是，周圍的車輛環(huán)境以及道路結(jié)構(gòu)等影響該系統(tǒng)的性能。因此，本文提出了一種不使用卡爾曼濾波的車道偏離預(yù)警系統(tǒng)中的車道線跟蹤算法。該算法能夠從所有檢測(cè)到的視頻幀信息（包括幀中的噪聲）中提取出真實(shí)車道線邊界，并由此估計(jì)其未來(lái)位置。

3.2 主要原理及結(jié)論

所提出的新算法使用評(píng)分機(jī)制，從已經(jīng)檢測(cè)到的視頻幀行數(shù)和每行狀態(tài)的得分變量來(lái)跟蹤先前幀中的信息。其中橫向偏移是根據(jù)以前視頻幀中車道邊界位置的信息推算出來(lái)的。此外，該算法引入了滯后環(huán)，改變了車道線位置的預(yù)測(cè)幀數(shù)，對(duì)于實(shí)現(xiàn)平滑且穩(wěn)定的跟蹤過(guò)程有著重要的影響。

本文通過(guò)現(xiàn)場(chǎng)測(cè)試所得出的結(jié)果表明，所提出的跟蹤算法可以提供了精確的車道邊界估計(jì)以及優(yōu)秀的檢測(cè)正確車道的能力。假定車道偏離預(yù)警系統(tǒng)未能檢測(cè)到當(dāng)前視頻幀中的車道線，可以通過(guò)所計(jì)算出的車道線位置的橫向偏移增強(qiáng)車道線邊界的預(yù)測(cè)精度。而且所引入的磁滯回線驗(yàn)證了該算法具有穩(wěn)定車道邊界估計(jì)和很好的檢測(cè)效率。此外，本文還對(duì)該系統(tǒng)在各種道路結(jié)構(gòu)和條件下對(duì)于消除道路中不希望的噪音方面的快速反應(yīng)進(jìn)行了實(shí)驗(yàn)驗(yàn)證。

4 基于圖像處理算法的新型車道偏離檢測(cè)技術(shù)[4]

4.1 主要目的及原理

諸如GPS和攝像機(jī)這樣的視頻傳感器的開(kāi)發(fā)促進(jìn)了汽車行業(yè)的創(chuàng)新和道路安全的發(fā)展，并在此基礎(chǔ)上推動(dòng)了駕駛輔助系統(tǒng)的研究。這些使用視頻傳感器的駕駛輔助系統(tǒng)可以通過(guò)圖像處理技術(shù)來(lái)檢測(cè)出即將發(fā)生的危險(xiǎn)并通知駕駛員。而基于使用圖像處理算法的車道偏離預(yù)警系統(tǒng)能夠在輸入的視頻幀中定位車道標(biāo)志線，跟蹤這些線路，同時(shí)計(jì)算出線路交叉時(shí)間（TLC），當(dāng)TLC在閾值之下時(shí)，該系統(tǒng)發(fā)出警告。該系統(tǒng)的主要功能是利用人工視覺(jué)來(lái)檢測(cè)車道邊界線。本文提出了一種基于特征的車道邊界線檢測(cè)方法。通過(guò)使用水平差分濾波器來(lái)簡(jiǎn)化車道邊緣檢測(cè)的過(guò)程。將檢測(cè)到的邊緣點(diǎn)用改進(jìn)的霍夫變換進(jìn)行分組成行。

4.2 存在問(wèn)題及未來(lái)方向

本文所提出的基于圖像處理技術(shù)來(lái)檢測(cè)車道邊界線的方法具有良好的性能。但如果要適應(yīng)惡劣的天氣條件（如雨雪）和光線不好的條件（如夜間），該方法還需要改進(jìn)。在今后的研究工作中，計(jì)劃使用TLC來(lái)計(jì)算收集到的視頻信息，并通過(guò)改進(jìn)確保車道偏離預(yù)警系統(tǒng)在不使用卡爾曼濾波器的情況下的跟蹤模型具有很好的魯棒性。此外，希望可以將該方法并在嵌入式處理器中實(shí)現(xiàn)LDW系統(tǒng)功能。

5 基于視頻運(yùn)動(dòng)分析和模糊邏輯的車道偏離檢測(cè)技術(shù)[5]

5.1 主要目的及原理

本文提出通過(guò)比較車輛軌跡和道路車道標(biāo)記的語(yǔ)言表示來(lái)檢測(cè)車道偏離情況的方法。該方法所使用的所有信息都是通過(guò)一臺(tái)攝像機(jī)獲得的。從錄制的視頻中提取符合H.264標(biāo)準(zhǔn)的運(yùn)動(dòng)矢量值構(gòu)成語(yǔ)言元素。而語(yǔ)言元素之間比較的實(shí)現(xiàn)可以通過(guò)檢測(cè)在車輛位移和道路形狀之間沒(méi)有邏輯對(duì)應(yīng)的連續(xù)幀的子集。由于視頻是從移動(dòng)的車輛捕獲的，因此，本文還提出了使用基于統(tǒng)計(jì)過(guò)程的適應(yīng)于不斷變化的場(chǎng)景的域變化模糊集來(lái)提高可靠性的方法。本文還使用具有不同特性的交通視頻進(jìn)行一組實(shí)驗(yàn)來(lái)驗(yàn)證這種方法。

本文所提出了的新技術(shù)采用視頻序列語(yǔ)言學(xué)來(lái)表示作為輸入數(shù)據(jù)的H.264/AVC運(yùn)動(dòng)矢量值的道路形狀信息。模糊邏輯的使用需要來(lái)自多個(gè)視頻幀信息的同時(shí)處理，并使用語(yǔ)言變量來(lái)表示車輛位移和道路形狀。而對(duì)不斷變化的視頻進(jìn)行處理的挑戰(zhàn)需要在每個(gè)幀中生成模糊集合，并考慮相鄰幀中的運(yùn)動(dòng)矢量值。通過(guò)對(duì)選定的視頻進(jìn)行仿真試驗(yàn)，該方法能夠得到可接受的結(jié)果。

5.2 未來(lái)方向

在未來(lái)的研究工作中，應(yīng)該建立相應(yīng)機(jī)制來(lái)更詳細(xì)地分析所獲得的每一個(gè)差異作為對(duì)比過(guò)程的輸出。而且，諸如車輛持續(xù)時(shí)間或車輛位移的差異程度和道路形狀的分化程度是未來(lái)的發(fā)展使用模糊推理技術(shù)的難點(diǎn)。此外，還應(yīng)當(dāng)建立考慮對(duì)問(wèn)題處理速度和其他影響因素的模型，以建立起與時(shí)間的關(guān)系。

6 基于Otsu閾值法和Hough變換的車道偏離警告系統(tǒng)[6]

6.1 主要目的及原理

本文介紹了基于實(shí)時(shí)單目視覺(jué)的車道偏離預(yù)警系統(tǒng)的實(shí)現(xiàn)過(guò)程。為了確保該系統(tǒng)在實(shí)際情況應(yīng)用可靠，因此本文所介紹的系統(tǒng)是實(shí)時(shí)的。其中，該系統(tǒng)采用Otsu閾值法和Hough變換用于處理照明問(wèn)題，從而提取車道邊界并監(jiān)視車輛相對(duì)于車道的位置，以及在車輛即將離開(kāi)車道時(shí)提供警告。消失點(diǎn)的檢測(cè)在車道檢測(cè)中也起著重要作用，本文通過(guò)提取相關(guān)區(qū)域信息來(lái)降低計(jì)算復(fù)雜度。本文所提出的算法在各種照明條件下都能可靠地工作。

本文所提出的基于Otsu閾值法和Hough變換的車道偏離預(yù)警系統(tǒng)，解決了兩個(gè)駕駛環(huán)境的問(wèn)題，即車道邊界和照明條件。該系統(tǒng)數(shù)據(jù)庫(kù)中屬于時(shí)間序列的視頻幀記錄了在不同照明條件下不同車道邊界的幾何形狀。傳統(tǒng)的車道偏離預(yù)警系統(tǒng)只提供了預(yù)定義的車道、照明條件和天氣有效的性能。因此，它們并不適用于真實(shí)的駕駛環(huán)境，如惡劣的天氣或不同的道路幾何形狀。為了克服上述限制，本文提出一種預(yù)處理步驟應(yīng)用于圖像的平滑和梯度檢測(cè)。首先，將圖像經(jīng)過(guò)RGB灰度轉(zhuǎn)換，然后應(yīng)用高斯濾波器得出平滑的圖像梯度。最后，在平滑圖像上選擇Sobel算子進(jìn)行邊緣檢測(cè)。

6.2 存在問(wèn)題及未來(lái)方向

盡管本文所提出的系統(tǒng)能夠在在很多不同的條件下進(jìn)行正常工作，但是仍然有一些問(wèn)題需要解決，特別是模糊車道標(biāo)記的識(shí)別問(wèn)題。因此，在未來(lái)的研究工作中，將結(jié)合更多的道路模型來(lái)提高該系統(tǒng)的魯棒性。

[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].