【车道线检测研究现状的文献综述1400字】

车道线检测研究现状的文献综述早期的智能交通系统主要是通过道路铺设电缆或磁诱导设备实现车道的规划，该方法需要在原先的道路基础设施上进行修改，铺设，成本较高不适合实际的应用。与结构紧凑且具有一定形状的车辆目标不同，车道在空间中通过左右两条平行的标志线完成规划并向远处延伸。因此，车道线的识别一般遵循提取-拟合的算法架构。按照传感器的不同目前主要的车道识别技术主要是基于机器视觉和激光雷达来实现。其中，基于机器简单视觉的轨迹检测算法历史悠久，应用广泛。21世纪初，基于视觉传感器REF_Ref72690969\r\h[7]与其他传感器融合的路径检测算法开始出现。近年来，随着材料的发展和理论的成熟，基于深度学习的路径检测技术出现并取得了良好的效果。基于视觉的道路检测算法大致有两类：基于特征的道路检测算法和基于模型的道路检测算法。基于特征的道路检测算法主要利用车载视频获取到的道路图像的特征，如边缘，颜色，纹理方向等，采用阈值分割等技术提取车道线、标记车道的位置。图1-1基于特征的车道检测一般流程因为一般的基于边缘检测算法有一个明显的缺点就是容易受到强噪声的干扰，2013年，吉林大学的王荣本教授等人采用Log边缘增强算子获得梯度图像，并利用基于灰度的特征点获取方法——susan算子REF_Ref72672991\r\h[2]来提取车道线的边缘信息，经过Hough变换的处理提取出线段之后在感兴趣区域中检测出车道线并能实时跟踪，最后验证得到的准确率高达99%以上。也有学者用了其他方法来弥补这一缺陷，HunjaeYoo等人采用梯度增强算法使得车道线在路面上的对比度比原先更加突出，再结合颜色特征和Canny算子的增强版——基于最大类间交叉熵的Canny检测降低噪声干扰，并且动态地生成一个颜色转换矢量得到一幅车道梯度最大的灰度图像，该方法有效抑制了阴影的干扰，可适用各种照明和道路场景。而基于模型的道路检测算法顾名思义，就是要考虑道路的几何结构信息，建立道路模型并用几个特定参数表述较车道区域，对于有着一定规律车道线及其他道路标志的道路来说，只要在图像处理后进行拟合就可以实现基于模型的车道检测。图1-2基于模型的车道检测的一般流程2008年，WangYan等人使用了双曲线模型，将图像中的像素按照属于左车道线和属于右车道线分类，再进行聚类，估计消失点位置，在拟合出消失线的位置后估计所需的双曲线模型的参数。基于模型的抗干扰能力较强，有良好的鲁棒性，但选择合适的模型才是关键。除了有基于传统图像处理的车道线检测外，近年来，还出现了基于机器学习的车道线检测算法，这种算法一般将车道检测视为语义分割或实例分割问题。基于此，2018年DavyNeven等人提出一种新的车道线检测网络LaneNet：将车道检测问题归结为一个实例分割问题，其中每条车道都形成了自己的实例，可以端到端地进行训练。构建了一个新的网络H-Net，用于学习给定输入图像的透视变换参数，该透视变换能够对坡度道路上的车道线进行良好地拟合，克服了鲁棒性不好的问题。参考文献王宝峰.基于机器学习与传感器融合的车辆与车道线识别研究[D].北京理工大学,2017.刘国荣.基于图像的车道线检测与跟踪算法研究[D].湖南大学,2014.NevenD.TowardsEnd-to-EndLaneDetection:anInstanceSegmentationApproach[D].KULeuven,2018.LiangD,YuanChen,ZhangS,etal.LaneDetection:ASurveywithNewResults[D].CollegeofInformationScienceandTechnology,2020.谷燕如,黄忠朝.车道检测与偏离预警系统研究综述[J].时代农机TIMESAGRICULTURALMACHINERY,2018,45(3):24-27.金勇,王振阳.智能驾驶中的车道检测及应用综述[J].传动技术ＤＲＩＶＥＳＹＳＴＥＭＴＥＣＨＮＩＱＵＥ,2019,33(1):44-48.孙鹏飞，宋聚宝，张婷，周玉祥.基于视觉的车道线检测技术综述[J].FRONTIERDISCUSSION|前沿探讨,2019,16:1.LucasTabelini1,RodrigoBerriel,ThiagoM.Paixao,etc.KeepyourEyesontheLane:RealtimeAttentionguidedLaneDetection[Z].UniversidadeFederaldoEsp´ıritoSanto(UFES):UniversidadeFederaldoEspBrookRoberts,SebastianKaltwang,SinaSamangooei,etc.ADatasetforLaneInstanceSegmentationinUrbanEnvironments[Z].U.K:Cambridge,2018.任桐慧