復雜情況下智能車輛的車道檢測

復雜情況下智能車輛的車道檢測

提出了一種基于雙曲線的新對稱局部閾值的車道分離方法。利用隨機采樣一致性技術(shù)（RANSAC）對車道分布和雙曲線配對的優(yōu)化模型擬合。此系統(tǒng)計算了城市道路和鄉(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練階段或模板來使其與現(xiàn)有模型匹配。針對所提出的方法進行了驗證。

照相機作為傳感器輸出圖像，首先針對每幀圖像進行處理，分離出道路或車道線的候選像素點，將其定義為道路特征分離。道路特征分離同對稱局部閾值分割相似，確定一個窗口中的大于平均灰度值的像素點作為候選車道像素點。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作為道路或車道線邊緣像素點。通過估計圖像坐標的左右側(cè)區(qū)域分離左車道線和右車道線。為了估計道路和車輛的參數(shù)，針對車道線像素建立平行雙曲線配對模型，此模型參數(shù)由道路、車輛和相機參數(shù)共同確定。提出的算法成功檢測了道路邊界，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)沒有標志線的情況下，系統(tǒng)仍然能夠進行雙曲線配對并檢測出道路邊界，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曲線估計影響很大，可以利用前幾幀圖像中車道線的位置預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