[论文解读] A Robust Lane Detection and Departure Warning System

Mrinal Haloi, Dinesh Babu Jayagopi|arXiv (Cornell University)|Apr 28, 2015

Autonomous Vehicle Technology and Safety参考文献 15被引用 5

一句话总结

本文提出了一套针对印度复杂道路条件优化的鲁棒单摄像头车道线检测与偏离预警系统。系统采用与照明无关的Lab颜色空间、二阶与四阶可导向滤波器，以及改进的逆透视映射（IPM）技术，可在无车道线的情况下检测车道标记与道路边界，随后通过基于RANSAC的多项式拟合与光流法估计偏离角度，在印度道路数据集上实现了90.58%的准确率，且在40米距离下优于现有最先进方法。

ABSTRACT

In this work, we have developed a robust lane detection and departure warning technique. Our system is based on single camera sensor. For lane detection a modified Inverse Perspective Mapping using only a few extrinsic camera parameters and illuminant Invariant techniques is used. Lane markings are represented using a combination of 2nd and 4th order steerable filters, robust to shadowing. Effect of shadowing and extra sun light are removed using Lab color space, and illuminant invariant representation. Lanes are assumed to be cubic curves and fitted using robust RANSAC. This method can reliably detect lanes of the road and its boundary. This method has been experimented in Indian road conditions under different challenging situations and the result obtained were very good. For lane departure angle an optical flow based method were used.

研究动机与目标

• 开发一种针对频繁出现阴影、标记模糊及光照多变的印度真实道路条件的鲁棒车道检测与偏离预警系统。
• 实现在无可见车道标记条件下检测道路边界的性能，以解决发展中国家道路环境中的一项关键局限。
• 通过仅使用外参的改进IPM公式，降低对相机内参的依赖。
• 通过Lab空间中的与照明无关的颜色表示，提升对光照变化的鲁棒性。
• 利用光流法实现精确的车道偏离角度估计，以增强驾驶员辅助功能。

提出的方法

• 仅使用相机外参的改进逆透视映射（IPM）被应用于图像，将其转换为鸟瞰图，以减少无关区域并提升车道特征定位精度。
• 通过在Lab颜色空间中分离亮度与色度分量，实现与照明无关的表示，从而降低对阴影和直射阳光的敏感性。
• 使用二阶与四阶可导向滤波器检测水平与垂直边缘特征，增强对噪声与异常值的鲁棒性。
• 将车道标记建模为三次曲线，并采用RANSAC进行拟合，以确保对误报和遮挡的鲁棒性。
• 在IPM空间中计算光流，以估计车辆运动，并基于周围特征的相对运动检测潜在的车道偏离。
• 独立于车道标记进行道路边界检测，通过分析边缘结构与连续性，实现在无标记道路中的检测能力。

实验结果

研究问题

• RQ1 在包含阴影、标记模糊及光照多变的印度复杂道路条件下，车道检测系统能否实现高准确率？
• RQ2 在动态光照条件下，使用与照明无关的颜色空间（Lab）在提升车道检测鲁棒性方面效果如何？
• RQ3 在无车道标记的情况下，能否可靠检测道路边界？该能力如何提升发展中国家道路环境下的安全性？
• RQ4 可导向滤波器与RANSAC的结合在提升车道特征提取中对异常值与噪声的鲁棒性方面，其作用程度如何？
• RQ5 在真实驾驶场景中，所提出的基于光流的偏离预警系统相较于传统方法在性能上表现如何？

主要发现

• 在印度道路数据集上，系统在自车道检测中实现了90.58%的正确率，误报率为12.37%，表明其在真实道路条件下的强大性能。
• 在印度道路数据集上，道路边界检测准确率达到94.25%，证实了该方法在无车道标记条件下检测边界的可靠性。
• 在KITTI数据集上，该方法在20米处达到95.17%的精确率，30米处为95.17%，40米处为93.76%，在40米距离下优于多项最先进方法。
• 使用Lab颜色空间与与照明无关的处理显著提升了在不同光照条件（包括阴影与直射阳光）下的检测准确率。
• 该算法成功检测到弯曲车道线，并在非直线道路环境中保持鲁棒性，且无需假设道路为平面或笔直。
• 系统在4核2.3 GHz CPU上每帧处理耗时0.029秒，表明其具备在ADAS中实时部署的可行性。