基于机器视觉的车道线检测算法研究

吴 华

（北京吉利学院汽车工程学院，中国 北京 102202）

0 引言

智能网联汽车中车道线的正确检测是实现自主导航的关键问题。 从近几年的有关车道线检测文献看，车道线检测算法可分为基于区域的、基于特征的和基于模型的3 种。 基于区域的算法包括特征提取、特征去相关、聚类和分割，将图像分为车道线部分和非车道线部分， 胡胜在文献 [1] 中提出利用SVM（Support Vector Machine，支持向量机）对图像的方向梯度直方图进行分类。宣寒宇等在文献[2]中提出用聚类方法进行分类，但分类器所花时间较长，实时性不高。 基于特征[3-4]的算法是利用颜色、纹理和形状等进行车道线提取，但这种算法易受光照不均匀、标志线磨损、路面有水渍、阴影的影响，鲁棒性较差。另外，检测过程需要处理的区域面积大，执行时间长，实时性不好。 基于模型[5-10]的算法先进行图像预处理、特征提取、模型匹配，即选择合适的道路模型，利用提取的图像信息确定模型参数，拟合出车道线曲线，可以实现对非结构化道路的检测。常用的车道线模型有直线模型、双曲线模型、抛物线模型、三次B 样条曲线模型等。 基于模型的算法鲁棒性较高，但要注意算法的复杂性不能太高，否则会影响算法的实时性。

1 基于模型的车道线检测算法比较

穆柯楠在文献[11]中提出一种基于非均匀B-样条曲线模型（Non Uniform B-Spline，NUBS）的车道线检测算法。 在进行车道线检测之前，对图像进行中值滤波、 直方图均衡、 确定感兴趣区域 （Region of Interest，ROI），利用Canny 算子进行车道线边缘检测，算出每条边缘的长度，然后对车道线边缘图像进行形态学处理、方向约束。……