【论文解读】A review of recent advances in lane detection and departure warning system（车道线检测综述）

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${\lambda }_{\mathrm{T}}$由输入图片的直方图计算得到，因为${\lambda }_{\mathrm{R}}<{\lambda }_{\mathrm{T}}<{\lambda }_L$，${\lambda }_{\mathrm{R}}、{\lambda }_L$是分别是路面（${\lambda }_{\mathrm{R}}=$