車(chē)道偏離預(yù)警系統(tǒng)研究綜述＊

田傲霜，陳華清，陳學(xué)文

（1.遼寧工業(yè)大學(xué) 土木建筑工程學(xué)院，遼寧 錦州 121001；2.遼寧工業(yè)大學(xué) 汽車(chē)與交通工程學(xué)院，遼寧 錦州 121001）

1 前言

根據(jù)2018年國(guó)家三部委共同發(fā)布的《智能網(wǎng)聯(lián)汽車(chē)道路測(cè)試管理規(guī)范（試行）》，智能網(wǎng)聯(lián)汽車(chē)是以車(chē)、路、道路基礎(chǔ)設(shè)施為基本節(jié)點(diǎn)和信息源，并融合現(xiàn)代通信與網(wǎng)絡(luò)技術(shù)，具備復(fù)雜環(huán)境感知、智能決策、協(xié)同控制等功能，從而實(shí)現(xiàn)“車(chē)－人－道路－城市”的和諧統(tǒng)一。車(chē)道偏離預(yù)警系統(tǒng)是智能網(wǎng)聯(lián)汽車(chē)實(shí)現(xiàn)自動(dòng)駕駛的重要基礎(chǔ)，性能可靠的車(chē)道偏離預(yù)警（LDW）與保持系統(tǒng)（LKP）可以有效避免與高速公路上側(cè)向車(chē)道內(nèi)行駛的車(chē)輛發(fā)生碰撞的可能性。利用視覺(jué)圖像技術(shù)實(shí)施智能車(chē)輛前方車(chē)道線(xiàn)的實(shí)時(shí)檢測(cè)是車(chē)道偏離預(yù)警與保持系統(tǒng)的核心技術(shù)，其檢測(cè)方法與精度直接影響系統(tǒng)的可靠性。本文就車(chē)道線(xiàn)檢測(cè)內(nèi)容，詳細(xì)分析其檢測(cè)方法與國(guó)內(nèi)外研究進(jìn)展情況，并對(duì)預(yù)警系統(tǒng)的預(yù)警模型構(gòu)建進(jìn)行總結(jié)與分析，對(duì)其發(fā)展方向進(jìn)行展望。

2 車(chē)道線(xiàn)檢測(cè)系統(tǒng)

車(chē)道線(xiàn)檢測(cè)的方法主要包括兩類(lèi)：一類(lèi)是基于特征的車(chē)道線(xiàn)檢測(cè)方法，另一類(lèi)是基于模型的車(chē)道線(xiàn)檢測(cè)方法。基于特征的檢測(cè)法是利用圖像邊緣特征，如形狀、紋理等檢測(cè)車(chē)道線(xiàn)。基于模型的車(chē)道線(xiàn)檢測(cè)法是對(duì)道路采用如直線(xiàn)、雙曲線(xiàn)等模型，再結(jié)合如霍夫變換或隨機(jī)一致采樣法等得到模型參數(shù)，進(jìn)而實(shí)現(xiàn)車(chē)道線(xiàn)的檢測(cè)。

2.1 國(guó)內(nèi)研究現(xiàn)狀

郜瑞芹[1]重點(diǎn)研究了正常天氣與大霧及雨雪等天氣條件下彎曲道路的車(chē)道線(xiàn)檢測(cè)方法。主要采用了 SVM 與AdaBoost算法解決特征空間的非線(xiàn)性問(wèn)題與算法的加強(qiáng)學(xué)習(xí)能力等問(wèn)題。最后，驗(yàn)證了上述天氣條件下，針對(duì)左右彎道車(chē)道線(xiàn)采取不同控制算法的檢測(cè)效果。

劉富強(qiáng)[2]提出一種基于三維道路模型的車(chē)道線(xiàn)檢測(cè)算法，根據(jù)車(chē)道線(xiàn)顏色突變，檢測(cè)車(chē)道線(xiàn)的邊界，并使用卡爾曼濾波，實(shí)現(xiàn)車(chē)道線(xiàn)跟蹤。該方法魯棒性強(qiáng)，但是由于算法的復(fù)雜性，算法比較耗時(shí)。

景輝[3]設(shè)計(jì)了基于全局特征的車(chē)道線(xiàn)位置神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)整條車(chē)道線(xiàn)的粗定位。采用神經(jīng)網(wǎng)絡(luò)對(duì)車(chē)道線(xiàn)區(qū)域進(jìn)行分塊，得到局部車(chē)道線(xiàn)，設(shè)計(jì)了兩種局部車(chē)道線(xiàn)重心檢測(cè)算法，實(shí)現(xiàn)了車(chē)道線(xiàn)位置的精確修正。

2.2 國(guó)外研究現(xiàn)狀

Li W[4]在文獻(xiàn)中提出一個(gè)基于子區(qū)域的車(chē)道線(xiàn)檢測(cè)預(yù)警系統(tǒng)。該方法首先對(duì)讀取的圖像提取出感興趣區(qū)域，為了減少不必要的圖像冗余處理，將感興趣區(qū)域分成兩個(gè)子區(qū)。采用Canny邊緣檢測(cè)算子獲取圖像中目標(biāo)的邊緣特征線(xiàn)，以車(chē)道線(xiàn)寬度為輔助條件并結(jié)合Hough變換方法提取車(chē)道線(xiàn)。然后對(duì)提取出來(lái)的車(chē)道線(xiàn)形狀進(jìn)行分類(lèi)，若為曲線(xiàn)形狀則利用三次B樣條線(xiàn)型進(jìn)行擬合處理；若為直線(xiàn)形狀車(chē)道線(xiàn)，則通過(guò)獲取的車(chē)道線(xiàn)的特征點(diǎn)進(jìn)行直接擬合即可。

Gaikwad V[5]等提出了一種在道路上行駛的車(chē)輛不希望偏離車(chē)道的方法。采用分段線(xiàn)性拉伸函數(shù)來(lái)提高感興趣區(qū)域的對(duì)比度。將感興趣區(qū)域劃分為兩個(gè)子區(qū)域，分別對(duì)每個(gè)子區(qū)域進(jìn)行霍夫變換，實(shí)現(xiàn)道路上的車(chē)道標(biāo)記檢測(cè)。對(duì)于車(chē)道偏離的識(shí)別，主要采用基于歐氏距離變換法對(duì)車(chē)道偏離測(cè)度進(jìn)行估計(jì)。該項(xiàng)技術(shù)的誤報(bào)警率為3%左右。

Lee S[6]等提出了一個(gè)統(tǒng)一的端到端可訓(xùn)練的多任務(wù)網(wǎng)絡(luò)。該網(wǎng)絡(luò)在惡劣天氣條件下，通過(guò)一個(gè)消失點(diǎn)引導(dǎo)，共同處理車(chē)道和道路標(biāo)記的檢測(cè)和識(shí)別。建立了無(wú)雨天氣、雨天、大雨及夜間等四種不同場(chǎng)景下17個(gè)車(chē)道和道路標(biāo)記類(lèi)，訓(xùn)練和評(píng)估了多任務(wù)網(wǎng)絡(luò)，并驗(yàn)證了每個(gè)任務(wù)的重要性。

3 車(chē)道預(yù)警模型

車(chē)道預(yù)警模型一般分為四類(lèi)：基于當(dāng)前位置的預(yù)警模型（CCP模型）；基于將來(lái)偏離量的預(yù)警模型（FOD模型）；基于車(chē)輛將橫越車(chē)道邊界時(shí)間的預(yù)警模型（TLC模型）；基于道路場(chǎng)景感知的預(yù)警模型（KBIRS模型）。

文獻(xiàn)[7]提出了基于動(dòng)態(tài)劃分檢測(cè)區(qū)域的車(chē)道線(xiàn)檢測(cè)算法，改進(jìn)了傳統(tǒng)的跨越車(chē)道線(xiàn)的車(chē)道偏離預(yù)警算法，設(shè)計(jì)了車(chē)道線(xiàn)偏離時(shí)間計(jì)算方法。對(duì)安裝的車(chē)載相機(jī)進(jìn)行標(biāo)定以獲取相機(jī)參數(shù)，設(shè)置了偏離時(shí)間閾值條件，決策是否實(shí)施預(yù)警。文獻(xiàn)[8]設(shè)計(jì)了基于車(chē)輛橫向位置和偏航角度的預(yù)警模型，在車(chē)輛偏離距離安全閾值的基礎(chǔ)上又增添了車(chē)輛偏航角度安全閾值，與傳統(tǒng)模型相比更加簡(jiǎn)單高效。文獻(xiàn)[9]則是利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)車(chē)道線(xiàn)進(jìn)行精確檢測(cè)，再根據(jù)本車(chē)道線(xiàn)的對(duì)稱(chēng)情況設(shè)置偏離安全閾值，若超出該閾值則進(jìn)行預(yù)警。

CCP模型通過(guò)檢測(cè)車(chē)輛在當(dāng)前車(chē)道中的位置，并假定車(chē)輛大致與車(chē)道線(xiàn)平行，再根據(jù)車(chē)寬等已知信息，可求出車(chē)輛左右車(chē)輪當(dāng)前位置相對(duì)于左右車(chē)道邊界的距離，如公式（1）所示。

式中：blane為當(dāng)前車(chē)道寬度（m）；d0為車(chē)輛中心線(xiàn)相對(duì)于車(chē)道中心線(xiàn)的距離；bv為車(chē)輛的寬度（m）。 對(duì)于公式（1），若Δd＞0，則表明車(chē)輛沒(méi)有超過(guò)兩邊的臨界車(chē)道線(xiàn)，此時(shí)不報(bào)警；若 Δd＜0，則表明車(chē)輛已經(jīng)越過(guò)兩邊的臨界車(chē)道線(xiàn)，此時(shí)應(yīng)發(fā)出偏離報(bào)警。

FOD模型主要基于車(chē)輛在路面上未來(lái)偏離量，設(shè)立了虛擬和真實(shí)車(chē)道線(xiàn)，并根據(jù)側(cè)向速度、當(dāng)前車(chē)輛距車(chē)道線(xiàn)的距離來(lái)算出預(yù)計(jì)車(chē)輛側(cè)向位置，若超出給定的邊界位置閾值，則預(yù)警。

TLC模型主要依據(jù)車(chē)輛當(dāng)前的運(yùn)行狀態(tài)估計(jì)出一定時(shí)間后車(chē)輛穿越車(chē)道線(xiàn)的時(shí)間，將估計(jì)出的時(shí)間與安全閥值相比較，從而提供預(yù)警。

圖1 轉(zhuǎn)向盤(pán)轉(zhuǎn)角不變的TLC預(yù)警示意圖

圖1為轉(zhuǎn)向盤(pán)轉(zhuǎn)角不變的TLC預(yù)警示意圖，車(chē)輛觸碰臨界車(chē)道線(xiàn)的時(shí)間綜合考慮了車(chē)輛的側(cè)偏角、橫擺角速度和前向速度，其模型如公式（2）—公式（4）所示。

公式（2）—公式（4）中：d（l）為車(chē)輛前輪距道路邊界線(xiàn)的距離（m）；v為車(chē)輛前行速度（m/s）；al為車(chē)輛側(cè)向加速度（m/s2）；Cr與CV分別為道路曲率和車(chē)輛運(yùn)行軌跡曲率，且CV=?/v；?為車(chē)輛橫擺角速度（rad/s）；θ為車(chē)輛側(cè)偏角（rad）。

對(duì)于公式（4），若觸碰臨界車(chē)道線(xiàn)的時(shí)間tc＜tth時(shí)，發(fā)出偏離報(bào)警。

4 總結(jié)與展望

通過(guò)車(chē)道偏離預(yù)警系統(tǒng)的分析可知，LDW 技術(shù)主要包括：利用視覺(jué)圖像進(jìn)行車(chē)道線(xiàn)的檢測(cè)方法研究和LDW 模型構(gòu)建的研究?jī)纱蟛糠帧Ｔ谲?chē)道線(xiàn)檢測(cè)方法研究方面，可以在傳統(tǒng)車(chē)道線(xiàn)檢測(cè)方法基礎(chǔ)上，探究基于深度學(xué)習(xí)理論的車(chē)道線(xiàn)識(shí)別新方法或采用雙目視覺(jué)實(shí)施車(chē)道線(xiàn)檢測(cè)的新技術(shù)等。在車(chē)道偏離預(yù)警模型的構(gòu)建方面，可以結(jié)合車(chē)輛的行駛姿態(tài)等探究車(chē)道偏離預(yù)估計(jì)模型。只有準(zhǔn)確地檢測(cè)出車(chē)道線(xiàn)信息，構(gòu)建合理的車(chē)道偏離預(yù)警模型，才能及時(shí)、可靠地告誡因疲勞駕駛或注意力不集中的駕駛員，使其修正無(wú)意識(shí)的車(chē)道偏離，減少和預(yù)防車(chē)道偏離事故的發(fā)生。