下载掌阅APP，畅读海量书库
立即打开
基于视觉的车道检测方法，大致可分为两类：基于特征的方法和基于模型的方法。
使用基于特征的方法，可以检测车道标记特征（如车道颜色、纹理和边缘等）。例如，在论文 [2] 中，使用Sobel算子检测了复杂的车道边缘特征，并将道路图像沿垂直方向划分为若干个子区域。Suddamalla等人 [3] 使用像素强度和边缘信息检测了弯道与直行车道，并利用自适应阈值技术提取了车道。为了消除数字图像中摄像机透视图的失真，并提取真实车道的特征，我们可以采用透视图变换来有效地检测车道标记。Collado等人 [4] 创建了道路图像的鸟瞰图，并提出一种基于空间车道特征和霍夫变换算法的自适应车道检测与分类方法。鸟瞰图与基于车道特征的粒子滤波方法相结合，用于估计多车道的检测结果 [5] 。作者声称，如果在上下文中使用强车道模型，则其鲁棒性较低，并且他们仅使用了弱模型来进行粒子滤波器跟踪。除使用彩色图像外，还可以使用其他颜色格式的图像来检测车道。颜色格式转换的总体思路是将黄色和白色的车道标记在其他颜色域中，增加了对比度，会更加鲜明。在论文 [6] 中，在车道假设阶段，可以使用扩展边缘连接算法来检测车道边缘。YUV格式的车道像素、边缘方向和车道标记宽度，可用于在车道验证步骤中选择候选边线对。在论文[7]中，则使用了无监督和自适应分类器来识别车道。它首先将彩色图像转换为HSV格式，以增加对比度，然后根据亮度值，使用阈值方法来处理二值特征图像。尽管在某些正常情况下，颜色变换可使车道检测受益，但是其并不具备鲁棒性，且处理阴影和照明变化的能力有限。
Borkar等人 [8] 提出了一种在夜间检测车道的分层方法，其中使用了模糊技术来减少视频噪声，且二进制图像是根据自适应局部阈值方法来生成的。另一种频域算法中的车道表示 [9] ，则利用了频域中的车道特征。该算法在频域中捕获到车道强度和方向，并使用可变形模板检测车道标记。在论文 [10] 中，引入了时空车道检测算法，其特点是通过累积过去帧中的某些行像素来生成一系列时空图像，然后将其应用于合成图像的霍夫变换检测车道。在论文 [11] 中，根据车道梯度的幅度特征和改进的霍夫变换，设计了基于FPGA和DSP的实时车道检测系统。在论文 [12] 中，Ozgunalp和Dahnoun提出了一种改进的特征图并用于车道检测。它首先利用边缘方向确定车道方向直方图，然后根据车道方向的估计对特征图进行改进和移动。
通常，基于特征的方法具有更好的计算效率，并且在车道标记较清晰的情况下能准确地检测车道。但是，由于做了太多的假设，例如车道颜色和形状，与基于模型的方法相比，其缺点是处理阴影的鲁棒性较低、可见性条件较差。
对于基于模型的方法，通常假设它们可以使用特定模型（例如，线性模型、抛物线模型、各种样条模型等）来描述车道。此外，还需要一些有关道路和车道的假设（例如，平坦的地面）。在以前的研究工作中，这些模型中的样条曲线模型很受欢迎，因为这些模型足够灵活，可以恢复任何形状的曲线车道。Wang等人 [13] 则使用不同的样条模型来拟合车道，使用Catmull-Rom样条对图像中的车道建模。在论文 [14] 中，对车道模型进行了改进，以生成B蛇模型，该模型可以通过更改控制点来对任意形状建模。在论文 [15] 中，基于近场区域的霍夫变换与基于远场区域的河流法相结合，用于检测车道边缘。最后使用B样条曲线模型对车道进行建模，并使用卡尔曼滤波器进行跟踪。Jung和Kelber [16] 使用了线性抛物线模型来描述车道，并根据对车道几何形状的估计对车道类型进行了分类。Aly [17] 提出了一种基于霍夫变换、RANSAC（Random Sample Consensus，随机采样一致）和B样条模型集成的多车道拟合方法。在该方法中，首先用霍夫变换粗略地检测最初的车道位置，然后用RANSAC和B样条模型进行完善。此外，它还引入了一个手动标记的车道数据集（称为Caltech Lane数据集）。
RANSAC算法是当前迭代估计车道模型参数的最流行方法。在论文 [18] 中，线性车道模型和RANSAC都用于检测车道，而卡尔曼滤波器则用于修正噪声输出。在论文 [19] 中，论文作者提出了脊特征和适用于直线与曲线车道拟合的RANSAC。车道像素的脊特征取决于局部结构，而非对比度，故将其定义为灰度图像中某个区域的明亮结构的中心线。在论文 [20-21] 中，双曲线模型和RANSAC用于车道拟合。在论文 [21] 中，将输入图像分为两个部分，分别称为远场区域和近场区域。在近场区域，将车道视为使用霍夫变换算法检测到的直线；在远场区域，则假定车道为曲线，并使用双曲线模型和RANSAC进行拟合。
在论文 [22] 中，论文作者提出了一种条件随机场方法，用来检测城市地区的车道标记。Bounini等人 [23] 提出了在模拟环境中检测车道边缘的方法，其中使用了最小二乘法来拟合模型，并通过确定动态感兴趣区域降低了计算开销。在论文 [24] 中，论文作者提出了一种自动多路段车道切换方案和RANSAC车道拟合方法，其中应用了RANSAC算法，根据边缘图像拟合线，确定车道曲率，并从直线和曲线模型中选择正确的车道模型来拟合车道。在论文 [25] 中，应用了Gabor小波滤波器来估计每个像素的方向，以及匹配二阶几何车道模型。Niu等人 [26] 提出了一种新颖的曲线拟合方法用于车道检测，其中应用了两阶段特征提取算法，并采用基于密度的带噪声应用空间聚类算法来确定候选车道线段是否属于自己的车道，而且可以使用曲线模型来拟合确定的小车道线段。此方法对于小车道线段检测任务特别有效。
一般而言，由于使用了模型拟合技术，因此基于模型的方法比基于特征的方法更为健壮。该模型通常可以忽略噪声测量和车道标记的异常像素。但是，基于模型的方法通常需要更大的计算开销，因为RANSAC对迭代次数没有上限。此外，与基于特征的方法相比，基于模型的方法不太容易实现。