基于機(jī)器視覺的車道線檢測(cè)研究進(jìn)展綜述

趙強(qiáng) 王瑞 朱寶全 李哲煜

摘?要：針對(duì)車道線檢測(cè)技術(shù)在車道偏離預(yù)警、自動(dòng)泊車和車道變換等各種輔助駕駛系統(tǒng)中的重要作用，國(guó)內(nèi)外專家學(xué)者對(duì)車道線檢測(cè)技術(shù)做了較多的研究，但是近年來少見有關(guān)于車道線檢測(cè)的綜述，因此本文主要闡述了近幾年國(guó)內(nèi)外機(jī)器視覺的車道線檢測(cè)研究進(jìn)展。首先簡(jiǎn)單介紹了機(jī)器視覺的車道線檢測(cè)的基本流程;其次重點(diǎn)闡述了基于特征、基于模型和基于深度學(xué)習(xí)三種典型方法的基本檢測(cè)原理和研究現(xiàn)狀，并對(duì)比三種典型研究方法;最后，提出了機(jī)器視覺的車道線檢測(cè)方法主要存在的問題，并針對(duì)問題提出未來的發(fā)展方向。

關(guān)鍵詞：車道線檢測(cè);機(jī)器視覺;特征檢測(cè);模型檢測(cè);深度學(xué)習(xí)

中圖分類號(hào)：TM341??????文獻(xiàn)標(biāo)識(shí)碼：A

Overview?of?the?Research?Progress?of?Lane

Line?Detection?Based?on?Machine?Vision

ZHAO?Qiang，?WANG?Rui，?ZHU?Baoquan，?LI?Zheyu

（School?of?Traffic?and?Transportation，?Northeast?Forestry?University，?Harbin，?Heilongjiang?150040，?China）

Abstract：Aiming?at?the?important?role?of?lane?line?detection?technology?in?lane?departure?warning，?automatic?parking?and?lane?change?in?various?driving?assistance?systems，?foreign?experts?and?scholars?have?done?more?research?on?lane?detection?technology，?but?in?recent?years，?there?have?been?rare?cases?about?lanes，?so?this?article?mainly?elaborates?the?basic?situation?of?the?progress?of?line?detection?based?on?machine?vision?at?home?and?abroad?in?recent?years.?First，?this?paper?briefly?introduces?the?basic?process?of?lane?line?detection?based?on?machine?vision，?and?then?illustrates?on?the?basic?testing?principle?and?current?state?of?research?of?the?three?typical?methods?based?on?feature，?model?and?deep?learning，?and?compares?the?three?typical?research?methods.?Finally，?the?main?problems?of?the?lane?line?detection?method?based?on?machine?vision?are?put?forward，?and?the?future?development?direction?is?proposed.

Key?words：lane?line?detection;?machine?vision;?feature?detection;?model?checking;?deep?learning

隨著自動(dòng)駕駛時(shí)代的到來，需要車道線識(shí)別的應(yīng)用場(chǎng)景也越來越廣泛，相應(yīng)車道線識(shí)別技術(shù)也越來越重要，其主要原因有以下兩點(diǎn)：第一，覆蓋場(chǎng)景廣，應(yīng)用領(lǐng)域廣泛;第二，重要安全保障，車道線識(shí)別能精準(zhǔn)地識(shí)別道路并最終幫助機(jī)器決策。因此，在自動(dòng)駕駛領(lǐng)域，車道線檢測(cè)技術(shù)一直是關(guān)鍵技術(shù)。車道線檢測(cè)技術(shù)常采用視覺和激光雷達(dá)的方法，視覺技術(shù)又分為單目和雙目視覺技術(shù)，其較激光雷達(dá)技術(shù)更便宜，且道路和背景區(qū)分明顯，具有良好的視覺效果。

針對(duì)視覺方面的車道線檢測(cè)技術(shù)，文獻(xiàn)[1]給出了車道線一般流程和算法的優(yōu)缺點(diǎn);文獻(xiàn)[2]主要介紹了利用RANSAC算法對(duì)虛實(shí)車道進(jìn)行分類;文獻(xiàn)[3]主要介紹了一種可以在多路面環(huán)境和虛線條件下檢測(cè)的算法;文獻(xiàn)[4]主要介紹了利用逆透視變換和優(yōu)化滑動(dòng)窗口法的車道線識(shí)別算法。目前為止，視覺方面的檢測(cè)技術(shù)有了很大的進(jìn)展，但還沒有一個(gè)統(tǒng)一的方法檢測(cè)出所有車道線。因此需要總結(jié)和歸納車道線檢測(cè)的方法和原理，以獲取更好的車道線。隨著大數(shù)據(jù)的發(fā)展，深度學(xué)習(xí)技術(shù)也被應(yīng)用到車道線檢測(cè)技術(shù)當(dāng)中，如文獻(xiàn)[5-6]主要介紹了利用Enet神經(jīng)網(wǎng)絡(luò)的車道線檢測(cè)算法，文獻(xiàn)[7]利用深度圖像回歸估計(jì)車道，本文也將做出總結(jié)和歸納。

因此本文主要討論基于機(jī)器視覺的車道線檢測(cè)方法，首先介紹車道線檢測(cè)基本流程，然后針對(duì)車道線檢測(cè)技術(shù)存在的重要性，根據(jù)車道線檢測(cè)方法，分別介紹基于特征的車道線檢測(cè)、基于模型的車道線檢測(cè)和基于深度學(xué)習(xí)的車道線檢測(cè)近幾年研究現(xiàn)狀和基本原理，最后總結(jié)出目前車道線檢測(cè)存在的問題，并給出相應(yīng)對(duì)策。

1?基于機(jī)器視覺的車道線檢測(cè)基本流程

基于機(jī)器視覺的車道線檢測(cè)的基本流程，如圖1所示。

1）通過車載攝像頭捕捉圖像，獲取車道線信息。

2）在圖像預(yù)處理過程中，通過提取車道線檢測(cè)的感興趣區(qū)域，提高檢測(cè)效率。一般情況下選擇圖像下方1/2的部分作為車道線識(shí)別的路面感興趣區(qū)域[8]，如圖2（a）所示。但也有像文獻(xiàn)[9]通過確定消隱點(diǎn)約束感興趣區(qū)域，如圖2（b）所示。

再通過灰度處理[10]得到灰度圖像來加快圖像處理速度，并對(duì)圖像進(jìn)行降噪和增強(qiáng)處理，利用濾波進(jìn)行降噪，利用直方圖均衡化、自適應(yīng)均衡化[11]等方法增強(qiáng)圖像對(duì)比度。

3）在車道線檢測(cè)階段，將提取的信息通過基于特征、基于模型、基于深度學(xué)習(xí)三種方法進(jìn)行檢測(cè)。

4）在車道線進(jìn)行擬合中，通常情況下擬合的方法包括：霍夫變換、聚類、RANSAC[12]、最小二乘法[13]、卡爾曼或者粒子濾波器[14]等。在傳統(tǒng)檢測(cè)的過程中，在進(jìn)行邊緣檢測(cè)之后只是檢測(cè)出了車道線的基本輪廓，呈現(xiàn)一種小方框的結(jié)構(gòu)，所以需要利用擬合的方法將其擬合成一條直線。

2?基于機(jī)器視覺的車道線檢測(cè)方法

基于機(jī)器視覺的車道線檢測(cè)主要分為基于特征、基于模型和基于深度學(xué)習(xí)的三種方法。

2.1?基于特征的方法

基于特征的車道線檢測(cè)的基本原理[15]是利用了車道標(biāo)志邊緣與路面圖像周圍環(huán)境之間的特征差異進(jìn)行檢測(cè)的。通常情況下特征差異包含圖像的紋理、車道邊緣的幾何形狀以及車道寬度等。

式中：Ki為對(duì)應(yīng)角度卷積核矩陣，A為待計(jì)算圖像像素矩陣，m、n代表矩陣值對(duì)應(yīng)的位置，x、y為矩陣中心坐標(biāo)。道路檢測(cè)角度劃分結(jié)果如圖3所示，其次利用多色域轉(zhuǎn)換分別提取黃色和白色車道線，最后利用DBSCAN聚類和NURBS曲線進(jìn)行擬合，實(shí)驗(yàn)結(jié)果表明，對(duì)于道路破損、樹木陰影遮擋、強(qiáng)光、雨天及車道干擾的路況有很好的識(shí)別效果，其強(qiáng)光照及缺損道路檢測(cè)效果如圖4所示。還有像張浩[17]利用車道線寬度特征、趙巖[18]等人利用邊緣輪廓特征檢測(cè)車道線，體現(xiàn)了較好的抗遮擋能力。

在紋理特征方面，文獻(xiàn)[19-20]利用圖像紋理特征和消隱點(diǎn)特征共同檢測(cè)車道線，能夠有效解決夜間車道線檢測(cè)的漏檢情況，文獻(xiàn)[19]檢測(cè)結(jié)果如圖5所示。在顏色特征方面，Danilo[21]等提出了一種融合顏色、邊緣和速度特征結(jié)合的道路檢測(cè)方法，結(jié)果表明，該方法能夠有效消除道路檢測(cè)中的故障。Ke[22]針對(duì)復(fù)雜環(huán)境檢測(cè)，采用了改進(jìn)的Sobel邊緣提取算法和改進(jìn)的滑動(dòng)窗口搜索算法，及RGB、HSL和LAB顏色空間轉(zhuǎn)換方法，有效區(qū)分白色和黃色車道線。M[23]等利用LAB顏色空間查找道路區(qū)域，在不同光照條件下檢測(cè)具有良好的性能。Kim等提出了一種基于HSV顏色空間和車道形狀特征的識(shí)別算法[24]，其識(shí)別結(jié)果如圖6所示。該方法能夠有效降低錯(cuò)誤率，但是對(duì)曲線識(shí)別效果不是很好。在邊緣檢測(cè)方面，文獻(xiàn)[25]采用自適應(yīng)Canny邊緣檢測(cè)和Hough變換相結(jié)合的方法。該方法可以消除夜間光照不均的影響，但實(shí)時(shí)性有待提高。

基于特征的車道線檢測(cè)方法不需要建立車道線模型，算法簡(jiǎn)單且容易實(shí)現(xiàn)，但是易受噪聲、光照、樹木及建筑物陰影遮擋、車道線不全等因素的影響，干擾到車道線識(shí)別，甚至可能造成車道線無法識(shí)別，所以需要再建立模型來解決。

2.2?基于模型的方法

基于模型的車道線檢測(cè)的基本原理[26]是針對(duì)結(jié)構(gòu)化道路的幾何特征，通過建立相應(yīng)的車道線模型，辨識(shí)道路模型參數(shù)，從而識(shí)別出車道線。常用的車道線模型有直線模型、曲線模型、拋物線模型等。

樊超[27]等提出一種基于核Fisher的新灰度化方法，并利用混沌粒子群算法進(jìn)行優(yōu)化，其適應(yīng)度函數(shù)為：

式中：第一個(gè)公式表示左車道線，第二個(gè)公式表示右車道線，k，?b為直線參數(shù);α、β為像素塊兩個(gè)參數(shù)差值相應(yīng)的權(quán)系數(shù);n為有效像素點(diǎn)個(gè)數(shù);Ma、Mb為道路灰度均值與像素塊整體的灰度均值的差;Ta、Tb為道路灰度均值與車道線灰度均值的差。再進(jìn)行直線模型擬合來識(shí)別車道線。該算法在復(fù)雜環(huán)境的車道線識(shí)別中具有優(yōu)越性，但會(huì)受到圖像噪聲的影響。針對(duì)直線模型和曲線模型存在的缺點(diǎn)，王寶峰[28]等提出一種線性逼近的彎道識(shí)別方法，其多工況識(shí)別效果如圖7所示，該算法對(duì)大曲率車道線的識(shí)別有較強(qiáng)的適應(yīng)性。王曉錦[29]等通過建立分段直線模型擬合彎道，該方法降低了計(jì)算難度，但擬合精度不高，分段直線模型圖如圖8所示。郭克友[30]等采用了直線拋物線模型結(jié)合擬合車道線，遠(yuǎn)距離采用拋物線模型，近距離采用直線模型，該算法對(duì)直道、彎道、有遮擋情況都有很好的檢測(cè)效果，如圖9所示。

也有學(xué)者Du[31]等利用霍夫變換直接提取車道線的直線模型，算法簡(jiǎn)單，檢測(cè)效果不是很好。?所以為改變單一模型簡(jiǎn)單的問題，Cheng[32]等在車

道線檢測(cè)階段分別對(duì)直線車道和曲線車道采用霍夫變換和啟發(fā)式搜索的檢測(cè)算法，并利用B（Bspline）樣條曲線擬合，最終的識(shí)別結(jié)果如圖10所示。該方法對(duì)復(fù)雜路況的檢測(cè)有良好效果。Ding[33]等提出了一種新型車道線檢測(cè)方法，利用改進(jìn)RANSAC算法和雙重模型擬合車道線，有良好的實(shí)時(shí)性。Song[34]等提出了一種基于幾何矩采樣的車道檢測(cè)方法。通過分段采樣的方法選取潛在包含車道線的區(qū)域，以此分段地對(duì)車道線進(jìn)行曲線擬合。

基于模型的車道線檢測(cè)是通過建立車道線模型進(jìn)行的檢測(cè)，其常用模型優(yōu)缺點(diǎn)如表1所示。通過建立模型檢測(cè)車道線，可以快速而又穩(wěn)定地檢測(cè)出在路面不平、有遮擋情況下的車道線。

2.3?基于深度學(xué)習(xí)的方法

通過搭建人工神經(jīng)網(wǎng)絡(luò)，利用海量數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)，能夠自主學(xué)習(xí)獲取特征，對(duì)復(fù)雜環(huán)境有很好的魯棒性，應(yīng)用也較為廣泛[35]。這種算法的優(yōu)點(diǎn)是目標(biāo)特征可在模型訓(xùn)練過程中自動(dòng)學(xué)習(xí)并自動(dòng)修正參數(shù)，缺點(diǎn)是缺乏公共道路標(biāo)記數(shù)據(jù)集[36]。

針對(duì)不同的神經(jīng)網(wǎng)絡(luò)，國(guó)內(nèi)外學(xué)者有不同的研究。閆春香[37]等針對(duì)車道偏離原因進(jìn)行神經(jīng)可視化分析，具體方法如圖11所示，將方向盤轉(zhuǎn)角序列作為神經(jīng)網(wǎng)絡(luò)輸入，并引入懲罰損失函數(shù)，降低神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)難度。宋揚(yáng)[38]等提出一種結(jié)合深度圖像增強(qiáng)網(wǎng)絡(luò)和深度學(xué)習(xí)網(wǎng)絡(luò)（LaneNet）的檢測(cè)方法，這種方法提高了夜間車道線檢測(cè)技術(shù)的效率。文獻(xiàn)[39-41]都采用了端到端的多任務(wù)網(wǎng)絡(luò)檢測(cè)車道線，對(duì)于復(fù)雜天氣和路況有不錯(cuò)的檢測(cè)效果。

Xiao[42]等提出一種用于車道線檢測(cè)的改進(jìn)的大視野模型。該方法可在惡劣環(huán)境下進(jìn)行車道線檢測(cè)。Li[43]等提出一種基于卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)結(jié)合檢測(cè)車道線邊界的方法，適應(yīng)性較廣泛。Lee[44]等提出一種基于滅點(diǎn)指導(dǎo)的多任務(wù)網(wǎng)絡(luò)，用于解決檢測(cè)和分類車道和道路標(biāo)記，然而由于消隱點(diǎn)信息的引入，該模型適用情況受限，不適應(yīng)車道線不平行情形。Liu[45]等提出一種基于全卷積網(wǎng)絡(luò)、殘差學(xué)習(xí)和金字塔池化相結(jié)合的基于單目視覺的道路檢測(cè)RPP（Residual?Network?with?Pyramid?Pooling）模型，提高了檢測(cè)精度，對(duì)有陰影遮擋的車道線有很好檢測(cè)效果。Pan[46]等提取出了空間卷積神經(jīng)網(wǎng)絡(luò)（Spatial?CNN?（SCNN）），它將傳統(tǒng)的深層逐層卷積推廣到特征映射中的逐片卷積。SCNN的整體架構(gòu)圖，如圖12所示，考慮到SCNN應(yīng)用到一個(gè)尺寸為C*H*W的三維張量上，其中C、H和W分別表示通道數(shù)、行數(shù)和列數(shù)。首先張量被分割成H個(gè)切片，將其送入一個(gè)大小為C*w的卷積層，其中w是核寬度。然后輸出被添加到下一個(gè)切片生成一個(gè)新的切片，新的切片被發(fā)送到下一個(gè)卷積層，這個(gè)過程一直繼續(xù)，直到最后一個(gè)切片更新，完成逐片卷積。其中利用SCNN的前向計(jì)算是：

式中：K是假設(shè)的三維向量;Ki，j，k記為最后一片中通道的元素i和當(dāng)前片中通道j的元素之間的權(quán)重，這兩個(gè)元素之間偏移為k列;Xi，j，k記錄為張量X的元素，其中i，?j，?k分別指代通道、行、列。該方法能夠達(dá)到循環(huán)神經(jīng)網(wǎng)絡(luò)的效果，并且在車道線遮擋情況下有良好檢測(cè)效果。

基于深度學(xué)習(xí)的方法可以通過自主學(xué)習(xí)網(wǎng)絡(luò)檢測(cè)車道線，不需要人為地提取特征，減少了人為提取不準(zhǔn)的錯(cuò)誤。但是深度學(xué)習(xí)的方法計(jì)算較為復(fù)雜，需要大量的數(shù)據(jù)，且需要已經(jīng)標(biāo)記好的數(shù)據(jù)集才能自主學(xué)習(xí)，而當(dāng)出現(xiàn)不屬于這個(gè)數(shù)據(jù)集的樣本時(shí)，檢測(cè)效果則不是很好。

2.4?基于機(jī)器視覺的車道線檢測(cè)方法比較

基于特征的方法依據(jù)道路特征，不依靠幾何形狀信息進(jìn)行檢測(cè)，計(jì)算簡(jiǎn)單，但對(duì)于復(fù)雜路況檢測(cè)效果不好;基于模型的方法，主要通過建立車道線模型，依靠建模可以較好地解決以上問題，但是模型參數(shù)計(jì)算量大;基于深度學(xué)習(xí)的方法，可以通過自主學(xué)習(xí)檢測(cè)車道線，不依靠人工提取特征，但其計(jì)算量大，對(duì)處理器有較高要求，相比于傳統(tǒng)的檢測(cè)方法，目前深度學(xué)習(xí)技術(shù)在算法的魯棒性和實(shí)時(shí)性上有很大的提升。三種方法的代表性研究對(duì)比如表2所示。

3?存在問題及展望

車道線檢測(cè)技術(shù)在無人駕駛領(lǐng)域中起著重要的作用，但還存在一些問題：1）車道線易被遮擋，當(dāng)路面存在陰影干擾，或者道路破損時(shí)，會(huì)使車道線邊緣檢測(cè)不明顯;2）車道線檢測(cè)還會(huì)受光照和天氣的影響。自然光隨著季節(jié)和天氣的變化而變化，還有夜間時(shí)汽車燈光、人工燈源等的光照變化，會(huì)使路面呈現(xiàn)不同的灰度值，從而影響檢測(cè)的效果。而不同的天氣環(huán)境，如雨天、霧天、雪天等環(huán)境，會(huì)使采集到的路面信息效果偏差，識(shí)別度變低;3）?在基于模型的車道線檢測(cè)方法中，參數(shù)的選取和模型的建立涉及很大的計(jì)算量，增加檢測(cè)難度，還會(huì)因車道線形狀和假設(shè)模型的不相符使檢測(cè)失效;4）?在基于深度學(xué)習(xí)的車道線檢測(cè)中，主要問題是沒有一個(gè)統(tǒng)一的數(shù)據(jù)集基準(zhǔn)，無法對(duì)比多種方法。

針對(duì)以上問題做出展望：1）多種路面特征相結(jié)合，以獲得更全面的車道信息，獲得更明確的邊緣信息;2）結(jié)合多種方法，如特征的提取和模型的建立相結(jié)合，或者和深度學(xué)習(xí)網(wǎng)絡(luò)相結(jié)合等，進(jìn)一步提高檢測(cè)效果;3）?提高算法的魯棒性和實(shí)時(shí)性，在今后的研究當(dāng)中，應(yīng)當(dāng)根據(jù)實(shí)際車道線形狀，設(shè)計(jì)不同的車道線模型，并混合使用車道線模型，降低模型的難度，識(shí)別出更全面的車道線;4）?在基于深度學(xué)習(xí)的方法中，有必要設(shè)計(jì)出一種統(tǒng)一且包括各種復(fù)雜路況的數(shù)據(jù)集。相比傳統(tǒng)檢測(cè)方法，深度學(xué)習(xí)技術(shù)檢測(cè)更加迅速且應(yīng)用廣泛，在深度學(xué)習(xí)的網(wǎng)絡(luò)當(dāng)中，建立的端到端的車道線檢測(cè)模型，很有可能成為未來的發(fā)展方向。

4?結(jié)?論

在車道偏離預(yù)警、變道輔助等先進(jìn)輔助駕駛系統(tǒng)中，車道檢測(cè)起著至關(guān)重要的作用，而深度學(xué)習(xí)網(wǎng)絡(luò)將是以后檢測(cè)車道線的發(fā)展方向。本文簡(jiǎn)單介紹了車道線檢測(cè)的圖像感興趣區(qū)域的提取、圖像降噪和增強(qiáng)、檢測(cè)及擬合的基本流程。其次，著重講述了基于特征、基于模型和基于深度學(xué)習(xí)三種檢測(cè)方法。最后，列舉出車道線檢測(cè)在三種方法當(dāng)中存在的主要問題，并提出對(duì)提高車道線檢測(cè)魯棒性和實(shí)時(shí)性的展望。

參考文獻(xiàn)

[1]?吳一全，?劉莉.?基于視覺的車道線檢測(cè)方法研究進(jìn)展[J].?儀器儀表學(xué)報(bào)，?2019，?40（12）：?92-109.

[2]?劉康婷，?高坤，?趙奉奎.?基于視覺的車道線檢測(cè)技術(shù)研究[J].智能計(jì)算機(jī)與應(yīng)用，?2021，?11（4）：?139-142+148.

[3]?朱雨桐，劉華軍.針對(duì)復(fù)雜路面虛線條件的車道線偏離預(yù)警[J].計(jì)算機(jī)應(yīng)用，2017，37（S1）：144-148.

[4]?ZHU?H?G.?An?efficient?lane?line?detection?method?based?on?computer?vision[J].?Journal?of?Physics：?Conference?Series，2021，1802（3）：032006.

[5]?劉彬，?劉宏哲.?基于改進(jìn)Enet網(wǎng)絡(luò)的車道線檢測(cè)算法[J].?計(jì)算機(jī)科學(xué)，?2020，?47（4）：142-149.

[6]?PASZKE?A，?CHAURASIA?A，?KIM?S，?et?al.?Enet：?a?deep?neural?network?architecture?for?realtime?semantic?segmentation[J].?arXiv?preprint?arXiv：?1606.?02147，?2016：1-10.

[7]?TABELINI?L，?BERRIEL?R，?PAIXAO?T?M，?et?al.?PolyLaneNet：lane?estimation?via?deep?polynomial?regression[C]//?202025th?International?Conference?on?Pattern?Recognition?（ICPR）.?IEEE，?2020：6150-6156.

[8]?邱東，?翁蒙，?楊宏韜.?基于改進(jìn)概率霍夫變換的車道線快速檢測(cè)方法[J].?計(jì)算機(jī)技術(shù)與發(fā)展，?2020，?30（5）：43-48.

[9]?陳無畏，?蔣玉亭，?談東奎.?一種基于邊緣點(diǎn)投影的車道線快速識(shí)別算法[J].?汽車工程，?2017，?39（3）：357-363.

[10]白松讓，?段敏，?曹景勝，?等.?基于OpenCV的車道線智能檢測(cè)和識(shí)別[J].?遼寧工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2020，?40（2）：92-95.

[11]呼超，?汪杰，?馮玉松.?基于改進(jìn)Hough變換的夜間內(nèi)側(cè)車道線檢測(cè)[J].?公路與汽運(yùn)，?2019（6）：1-3.

[12]王智宇，?陳光，?陳勇.?基于OpenCV的改進(jìn)RANSAC車道線檢測(cè)方法[J].?科學(xué)技術(shù)與工程，?2019，19（28）：222-226.

[13]高樹靜，?董廷坤，?王程龍.?基于機(jī)器學(xué)習(xí)的車道線檢測(cè)系統(tǒng)仿真與優(yōu)化[J].?計(jì)算機(jī)仿真，?2020，37（2）：140-143.

[14]楊金鑫，?范英，?謝純祿.?基于行距離及粒子濾波的車道線識(shí)別算法[J].?江蘇大學(xué)學(xué)報(bào)（自然科學(xué)版），?2020，41（2）：138-?142.

[15]韋唯.?基于單目視覺的車道線識(shí)別方法研究[D].長(zhǎng)春：吉林大學(xué)，?2015.

[16]李茂月，?呂虹毓，?王飛，?等.?基于機(jī)器視覺的智能車輛魯棒車道線識(shí)別方法[J].?中國(guó)機(jī)械工程，?2021，?32（2）：?242-251.

[17]張浩.?基于車道線寬度特征的車道線識(shí)別[J].?南方農(nóng)機(jī)，?2020，?51（9）：46-49.

[18]趙巖，?趙建國(guó).?一種移動(dòng)車輛遮擋下的車道線檢測(cè)方法[J].?科學(xué)技術(shù)與工程，?2021，?21（7）：2782-2787.

[19]丁蒙，?戴曙光，?曾思浩，?等.?基于自適應(yīng)ROI和蟻群邊緣檢測(cè)算法的車道線檢測(cè)[J].?軟件，?2019，?40（12）：124-128.

[20]LI?Z?Q，?MA?H?M，?LIU?Z?Y.?Road?lane?detection?with?gabor?filters[C]//?2016?International?Conference?on?Information?System?and?Artificial?Intelligence（ISAI）.?IEEE，?2016：?436-440.

[21]DANILO?C?H，?LAKSONO?K，?ALEXANDER?F，?et?al.Realtime?lane?region?detection?using?a?combination?ofgeometrical?and?image?features[J].?Sensors?（Basel，?Switzerland），2016，16（11）：1935.

[22]KE?H?M.?Research?on?lane?line?detection?and?tracking?under?complex?road?conditions[J].?Frontiers?in?Science?and?Engineering，?2021，?1（3）：162-165.

[23]M?KAZEMI，?Y?BALEGHI.?Lab?color?model?based?road?lane?detection?in?autonomous?vehicles[J].?Bangladesh?Journal?of?Scientific?and?Industrial?Research，?2017，52?（4）：273.

[24]KIM?J?H，?KIM?S?K，?LEE?S?H，?et?al.?Lane?recognition?algorithm?using?lane?shape?and?color?features?for?vehicle?black?box[J].?Computer?Science，?2018（131）：?354-360.

[25]LI?Y，?CHEN?L，?HUANG?H，?et?al.?Nighttime?lane?markings?recognition?based?on?Canny?detection?and?Hough?transform[C]//?IEEE?International?Conference?on?Realtime?Computing?and?Robotics（RCAR），?2016：411-415.

[26]王曉錦.?基于單目視覺的結(jié)構(gòu)化道路車道線識(shí)別SAE算法的車道偏離檢測(cè)研究[D].濟(jì)南：山東大學(xué)，?2017.

[27]樊超，?宋雨佩，?焦亞杰.?基于混沌粒子群的車道線檢測(cè)算法[J].?計(jì)算機(jī)工程與設(shè)計(jì)，?2020，?41（1）：183-189.

[28]王寶鋒，?齊志權(quán)，?馬國(guó)成，?等.?基于線性逼近的車道線彎道識(shí)別方法[J].?北京理工大學(xué)學(xué)報(bào)，?2016，36（5）：470-474.

[29]王曉錦，?王增才，?趙磊.?基于消失點(diǎn)檢測(cè)與分段直線模型的車道線識(shí)別[J].?機(jī)電一體化，?2017，?23（5）：41-46.

[30]郭克友，?王藝偉，?郭曉麗.?LDA與LSD相結(jié)合的車道線分類檢測(cè)算法[J].?計(jì)算機(jī)工程與應(yīng)用，?2017，53（24）：219-225.

[31]Du?X，?Tan?K?K.?Visionbased?approach?towards?lane?line?detection?and?vehicle?localization[J].?Machine?Vision?and?Applications，?2016，27（2）：175-191.

[32]CHENG?C?Y，?LI?M，?ZHANG?X?W，?et?al.?A?lane?detection?algorithm?under?complex?scenes[C]//Advanced?Science?and?Industry?Research?Center.?Proceedings?of?2017?2nd?International?Conference?on?Computer，?Mechatronics?and?Electronic?Engineering（CMEE?2017），Advanced?Science?and?Industry?Research?Center：?Science?and?Engineering?Research?Center，2017（5）：386-390.

[33]DING?Y，?XU?Z，?ZHANG?Y，?et?al.?Fast?lane?detection?based?on?birds?eye?view?and?improved?random?sample?consensus?algorithm[J].?Multimedia?Tools?and?Applications，?2016，76（21）：22979-22998.

[34]SONG?R，?CHEN?H，?XIAO?Z，?et?al.?Lane?detection?algorithm?based?on?geometric?moment?sampling[J].?Scientia?Sinica?Informationis.?2017，?47（1）：?1.

[35]張道芳.?基于深度學(xué)習(xí)的車道線檢測(cè)算法研究[D].?貴陽：貴州民族大學(xué)，?2019.

[36]何旭光，?江磊，?羅一平，?等.?基于Hough變換的車道線檢測(cè)算法設(shè)計(jì)[J].?農(nóng)業(yè)裝備與車輛工程，?2019，?57（11）：?90-?91.

[37]閆春香，?陳林昱，?王玉龍，?等.?輔助車道線檢測(cè)的端到端自動(dòng)駕駛[J].?汽車實(shí)用技術(shù)，?2020（7）：?38-41.

[38]宋揚(yáng)，?李竹.?基于深度圖像增強(qiáng)的夜間車道線檢測(cè)技術(shù)[J].?計(jì)算機(jī)應(yīng)用，?2019，?39（S2）：103-106.

[39]趙振東，?邵振洲，?謝劼欣，?等.一種采用空間特征編碼的車道線檢測(cè)方法[J].?小型微型計(jì)算機(jī)系統(tǒng)，?2020，?41（09）：?1952-1958.

[40]張居正.?基于深度學(xué)習(xí)的端到端車道線檢測(cè)方法[D].?長(zhǎng)沙：湖南大學(xué)，?2019.

[41]NEVEN?D，?BRABANDERE?B?D，?GEORGOULIS?S，?et?al.?Towards?endtoend?lane?detetction：?an?instance?segmentation?approache[C]//IEEE?Symposium?on?Intelligent?Vehicles[IV]，?2018.

[42]XIAO?D，?YANG?X，?LI?J，?et?al.?Attention?deep?neural?network?for?lane?marking?detection[J].?KnowledgeBased?Systems，?2020，194：105584.

[43]LI?J，?XUE?M，?PROKHOROV?D.?Deep?neural?network?for?structural?prediction?and?lane?detection?in?traffic?scene[J].?IEEE?Transactions?on?Neural?Networks?and?Learning?Systems，?2017，28（3）：690-703.

[44]LEE?S，?KIM?J，?YOON?J?S，?et?al.?VPGNet：?vanishing?point?guided?network?for?lane?and?road?marking?detection?and?recognition[C]//IEEE?International?Conference?on?Computer?Vision（ICCV），?2017：1965-1973

[45]LIU?X，?DENG?Z.?Segmentation?of?drivable?road?using?deep?fully?convolutional?residual?network?with?pyramid?pooling[J].?Cognitive?Computation，?2018，?10（2）：272-281.

[46]PAN?X?G，?SHI?J?P，?LUO?P，?et?al.?Spatial?as?deep：?spatial?CNN?for?traffic?scene?understanding[J].?ThirtySecond?AAAI?Conference?on?Artificial?Intelligence，?2018，32（1）：7276-7283.