下载掌阅APP，畅读海量书库
立即打开
交通事故主要是由人为错误引起的，例如，驾驶员注意力不集中、行为不当等。为此，许多公司或机构都提出了一些保证驾驶安全和减少交通事故的措施与技术。在这些技术中，在帮助驾驶员避免错误方面，道路感知和车道标记检测的作用至关重要。车道检测是许多高级驾驶辅助系统（Advanced Driving Assistance System，ADAS）的基础，例如车道偏离警告系统和车道保持辅助系统。一些成功的汽车企业，例如Mobileye、BMW和Tesla等，已经开发出自己的车道检测和车道保持产品，并在研发和实际应用中均取得了显著成就。无论是汽车企业还是个人客户，都已广泛利用Mobileye系列ADAS产品和Tesla Autopilot进行自动驾驶。当前几乎所有的成熟车道辅助产品都使用了与视觉有关的技术，因为道路上涂了车道标记，以供相关人员视觉感知。其利用基于视觉的技术，检测来自摄像头设备的车道，并防止驾驶员进行意外的车道变更。因此， 准确性和鲁棒性是车道检测系统的两个最重要的属性 。车道检测系统应具有识别不合理检测的能力，并能相应地调整检测和跟踪算法。当出现错误警报时，ADAS应警告驾驶员专注于驾驶任务。此外，对于具有高度自动化水平的车辆，会持续监控其环境，并能自行处理低精度检测问题。因此，随着车辆自动化程度的提高，对车道检测系统的评估就变得更加重要了。
大多数基于视觉的车道检测系统，通常是根据相似框架内的图像处理技术来设计的。然而，随着高速计算设备和诸如深度学习之类的高级机器学习理论的发展，我们可以使用端到端检测算法，以更有效的方式解决车道检测问题。当前，车道检测系统所面临的关键挑战是适应高可靠性和多样化工作条件的需求。构造具有鲁棒性、准确的高级车道检测系统的一种有效方法是融合多模式传感器，并将车道检测系统与其他物体检测系统进行集成，例如，对周围车辆的检测和对道路区域的识别。已有的研究工作表明，使用多级集成技术，可以改善车道检测性能。但是，诸如激光雷达之类的高精度传感器价格昂贵，文献 [1] 对此进行了较为详细的论述。