基于梯度增强和逆透视验证的车道线检测

王超，王欢，赵春霞，任明武

(南京理工大学计算机科学与工程学院，江苏南京210094)

车道线检测是先进驾驶辅助系统(ADAS)的核心技术之一，是实现车辆辅助安全驾驶的重要前提。近年来，各大科研机构不断深入研究车道线检测方法，并实现了车辆在高速公路、城市道路等环境下的自动巡航行驶，然而在一些车道线不清晰的路面上还存在较高的漏检率。在中国，很多公路上的车道线存在着老化、污损、遮挡等情况，从而导致模糊、弱化等问题，之间还夹杂着虚线的干扰，因而给基于机器视觉的车道线检测带来了挑战，因而具有重要的研究意义。车道线检测方法一般包括3个步骤:1)特征提取:常用的特征有颜色特征［1-4］，梯度特征［5-7］以及多种特征的融合［1］;2)模型拟合:如Spline 模型［8-9］、B 样条［10-11］、Clothoid 模型［12-13］、Parabola模型［14］以及 Hyperbola 模型［15-16］等;3)车道线跟踪［17-19］。在以上3个步骤中，特征提取是最重要的一步，也是解决弱线问题的关键。很多学者基于车道线与道路的颜色通道差异性来进行车道线检测，如文献［20］通过经验性的设定R、G、B权重增大车道线与道路的亮度差异;文献［1，4］中分别采用HSI与HSV颜色空间，增加饱和度图像来补偿亮度图像的不足;文献［21］利用直方图均衡化增强车道线与道路区域的对比度。然而上述方法都是固定地选取亮度通道或对亮度通道做修正，难以适应光照多变的室外环境，而文献［9］采用了一种基于线性鉴别分析的图像自适应变换方法用于车道线的增强，通过提取车道线和道路样本，结合线性鉴别分析可获得RGB到灰度空间的最优变换系数，从而有效实现车道线与道路的对比度增强，然而，该方法稳定性较差，极大地依赖于样本选取的好坏。……