基于概率投票法的道路消失点检测算法研究

尹金楷

摘要：本文提出了一种稳定的基于消失点估计的车道检测方法。估计消失点有助于检测车道，因为在投影的二维图像中，平行线会聚集在消失点上。然而，在背景复杂的图像中，正确估计消失点并不容易。因此，提出了一种鲁棒的消失点估计方法，该方法使用基于从输入图像提取的线段的交点的概率投票过程。实验结果表明，该方法能有效地估计消失点，并在不同环境下检测车道。

Abstract： The paper proposes a stable lane detection method based on vanishing point estimation. Estimating the vanishing point helps to detect the lane， because in the projected two-dimensional image， parallel lines will gather on the vanishing point. However， in an image with a complex background， it is not easy to correctly estimate the vanishing point. Therefore， a robust vanishing point estimation method is proposed， which uses a probabilistic voting process based on the intersection of line segments extracted from the input image. Experimental results show that this method can effectively estimate the vanishing point and detect lanes in different environments.

关键词：消失点估计;车道检测;概率投票

Key words： vanishing point estimation;lane detection;probability voting

中图分类号：TP391.41                                 文献标识码：A                                文章编号：1674-957X（2021）07-0170-02

0  引言

在高级驾驶员辅助系统的研究中，人们对能够提高驾驶员安全性的技术越来越感兴趣[1]。在这些技术中，车道偏离警告（LDW）系统在车辆偏离主干道和高速公路上的车道或狭窄道路时向驾驶员发出警告，并且仅当车辆超过特定速度时，它才运行以防止不必要的警告。LDW系统有助于减少由粗心造成的车辆碰撞或者昏昏欲睡的驾驶。对于LDW系统的基于视觉的车道线检测已经有很多研究[2]。在这些车道检测方法中，颜色或边缘信息被用作车道的特征。

在过去几年中，图像分类和识别的深度学习变得非常流行。克里哲夫斯基等[3]首次提出了一种用于图像分类的卷积神经网络（CNN），该网络在ImageNet大规模视觉识别挑战（ILSVRC）中表现非常好。这种成功证明了深度学习模型的优势，并激励研究人员开发基于CNN的对象检测系统。吉尔希克等人[4]提出了“具有CNN特征的区域”（R-CNN），快速RCNN，然后更快R-CNN。尽管精度和速度越来越好，但它仍然太慢，无法应用于实时目标检测系统。……