Pattern Recognition 2017
原文链接:https://www.sciencedirect.com/science/article/abs/pii/S0031320317303266
1 流程图
- camera:从相机拍摄的视频中提取frame,feed到检测系统里;
- Lane modeling 作用:当lane检测系统fails to detect road lines or interprets other objects such as guardrails护栏 as a lane marking,提供lane marking的位置、角度、曲率信息;
- 预处理:压缩失真变形,增强图像特征;
- 颜色转换:only consider gray level component;
- ROI:减少冗余的图像信息;
- 特征提取:颜色、纹理、边缘…constant width of lane marking, gradients at the marking
- 车道线检测 :line segments are detected from the edge map then detected line segments either classified as left or the right side of lane marking或者彻底剔除,lane verification去除false lane marking(如交通标志,斑马线,护栏)
- Lane tracking:用于变道,从上一帧车道位置预测下一帧lane marking位置
2 环境变化
- lane marking种类:well defined:公路,实线、虚线、圆形反光镜、物理障碍;not well defined :城市道路;背景基础设施或者交通工具会造成车道线不连续
- 路面:车道线是否清晰或者低强度对比度
- 阴影:保护阴影区域和无阴影区域,阴影会导致错误的边缘创建
- 照明变化:自然光的改变:天气和时间;人工光:路灯、车头尾灯
- 夜景:车道线可见度降低,难点是这些灯光造成的干扰边缘提取,车前灯会导致图像不同部分会有不同的对比度
- 雨天:图像对比度减弱造成干扰边缘,不同的强度等级
- 雾天:lane marking和路面的对比度降低
3 预处理
预处理可以减少计算时间,提升算法结果,并可用于去除由于不稳定的相机运动造成的传感器噪声和误差。
为了实现平滑操作,可使用均值、中值或高斯滤波器。为了保留细节并去除不必要的噪声,Xu和Li等人用中值滤波器过滤图像,然后用图像直方图增强灰度图,为了适应不同的光线条件,在预处理阶段使用自适应阈值,自适应阈值是用的Otsu’s算法,然后去除二值转换形态操作(比如erosion and dilation )带来的图像中的噪点。
论文提出一种分段线性拉伸函数(PLSF),是为了增强昏暗环境下的车道线图像对比度,这个函数展现了对于不同车道线颜色的稳健的性能,有助于提高不同照明条件下的准确度。
在论文中,在Otsu’s阈值前使用FIR滤波器,有助于避免非均匀背景照明的影响,然后进morphological operations来确定连接对象和较小的区域被去除,消除路面污点,得到准确的边界。
论文阈值 λ T {\lambda _{\rm{T}}} λT由输入图片的直方图计算得到,因为 λ R < λ T < λ L {\lambda _{\rm{R}}} < {\lambda _{\rm{T}}} < {\lambda _L} λR<λT<λL, λ R 、 λ L {\lambda _{\rm{R}}}、{\lambda _L} λR、λL是分别是路面( λ R = λ min {\lambda _{\rm{R}}} = {\lambda _{\min }} λR=